跳到正文
npj Climate and Atmospheric Science· Bin Mu·· 20 天前精选AI 评分66

多圈层耦合概率模型 TianXing-S2S 在 45 天次季节至季节集合预报中优于 ECMWF 系统

Skillful subseasonal-to-seasonal ensemble forecasting with a multi-sphere coupled probabilistic model

AI 导读

研究发表 TianXing-S2S 多圈层耦合概率深度学习模型,在 1.5°×1.5° 分辨率、45 天日平均集合预报的主要大气变量上优于 ECMWF S2S 系统与 FuXi-S2S。

AI 深度导读基于原文整理的分节解读
背景
次季节到季节(S2S)预测对气候变化加速背景下的减灾有直接价值,但因多圈层相互作用复杂、大气本身存在内在不确定性,这一时间尺度的预测仍具挑战性。
做法
研究提出 TianXing-S2S,一个用于全球 S2S 集合预报的多圈层耦合概率深度学习模型。模型先把多种多圈层预测因子编码进一个紧凑的潜在空间,再用扩散模型生成逐日集合预报。其去噪器中加入了一个基于最优传输(OT)的耦合模块,用于优化大气与多圈层边界条件之间的交互。预报分辨率为 1.5° × 1.5°。
结论
在 45 天逐日平均集合预报上,TianXing-S2S 在多个关键大气变量上同时优于 ECMWF S2S 系统和 FuXi-S2S。模型改善了对热浪和异常降水等极端事件的预测,作者将多圈层耦合识别为其中的关键贡献因素。此外,模型能够生成最长 180 天的稳定 rollout 预报。
意义
结果显示该框架在变化气候下具备用于概率性 S2S 预测的潜力,并提示多圈层边界条件的耦合方式对极端事件预报技巧有实质影响。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

该模型以扩散生成和最优传输耦合多圈层边界条件,在 45 天集合预报上对标 ECMWF 与 FuXi-S2S,可用于判断概率型 S2S 预报的路线选择。

来源:npj Climate and Atmospheric Science · nature.com