数据驱动模型对极端天气事件预报能力
书接上回。
前文提到Peter Bauer设想了未来NWP可能的技术路线：使用公里级模式生成再分析数据作为数据驱动机器学习模型的训练数据，然后每天业务运行推理模型生成预报产品。不过数据驱动模型替代物理模型进入业务链条需要解决一个问题（也是目前很多人质疑数据驱动模型的地方），即数据驱动模型能否可靠的预报极端天气事件。
Olivetti and Messori在GMD上发表了论文“Do data-driven models beat numerical models in forecasting weather extremes? A comparison of IFS HRES, Pangu-Weather, and GraphCast”试图回答上面的问题。
作者通过评估物理模型IFS HRES和两个数据驱动模型Pangu和GraphCast在近地面两米温度和十米风场极值的RMSE两个指标表现。它们使用相同的HRES初始条件，输出两米温度和十米风结果，假设ERA5数据为真值情况在1.5°分辨率下与其比较。
试验评估全球以及多个区域，包括全部数据点、5%和1%极端数据点的RMSE。
评估结果表明，在大多数地区，数据驱动模型在预测整体两米温度和十米风速方面优于IFS HRES，特别是在热带地区。例外的是海洋盆地东侧的两米温度和ITCZ选定区域的十米风速。数据驱动模型在这些区域表现较差，可能是由于缺乏与海洋动力学相关的信息以及在输入变量中遗漏了海表面温度SST。
在极端情况下，数据驱动模型的性能总体上与IFS HRES相当，特别是在10 m风速方面。对于极端温度，数据驱动模型在热带地区的表现通常优于 IFS HRES，而在高纬度地区的表现相对较弱。在整个评估过程中，作者观察到数据驱动的预测质量存在明显的经向行为，随着纬度越高，性能逐渐恶化。推测这可能部分取决于在数据驱动模型的训练中使用基于纬度的权重，使得这些模型以牺牲更高纬度的性能为代价，使靠近赤道的误差最小化。
IFS HRES 在一些人口稠密的陆地地区（包括欧洲、美国和东南亚）的表现优于数据驱动模型。这可能部分取决于陆地地区极端情况更强的空间异质性，其中大量的变量和 IFS HRES 基于物理的框架提供了优势。与极端温度相比，数据驱动的极端风速模型的整体性能较弱，这可能还取决于 GraphCast 和 Pangu-Weather 使用的u/v风速分量的单独训练。
一个更普遍的发现是，数据驱动模型在短时间内相对而言表现最佳，而 IFS HRES 在较长预报时间内相对而言表现最好 。作者将这种行为归因于模糊（blurring）现象，即随着预报时间和不确定性的增加，数据驱动的模型往往会回归到气候平均，以最大限度地减少大误差。
在预测近地表温度和极端风速方面，数据驱动模型已经可以与基于物理的模型竞争。然而，数据驱动模型的性能因地区、极端事件类型和预测时间而异。阻碍数据驱动模型的主要挑战似乎是模糊、高纬度地区的性能不佳以及缺乏一些关键的输入变量。
具体细节讨论请阅读原文。
参考文献
Olivetti, L., Messori, G., 2024. Do data-driven models beat numerical models in forecasting weather extremes? A comparison of IFS HRES, Pangu-Weather, and GraphCast. Geoscientific Model Development 17, 7915–7962. https://doi.org/10.5194/gmd-17-7915-2024
