“伏羲-ENS：一种高效精准天气预报的智能模型”

集合天气预报对于量化预测不确定性、提供概率天气预测至关重要。然而，当前基于传统模型的全球集合预报系统计算需求巨大，限制了集合成员数量，难以充分表征多样的天气情景。近年来，机器学习（ML）显著降低了计算成本并改进了确定性预报，但将ML应用于集合预报时，在处理初始条件和模式不确定性（预报误差的主要来源）方面面临挑战。为解决这些问题，研究团队提出了FuXi-ENS——一种先进的机器学习模型。该模型采用变分自编码器框架，通过优化结合连续排序概率得分（CRPS）和Kullback-Leibler（KL）散度的损失函数，实现了与气流相关的扰动，能够每6小时生成一次全球集合天气预报，预报时效长达15天，空间分辨率为0.25°。综合评估表明，FuXi-ENS在连续排序概率得分、Brier评分等关键预报指标上优于欧洲中期天气预报中心（ECMWF）的集合预报系统。在确定性预报方面，其集合平均的均方根误差（RMSE）和异常相关系数（ACC）表现更优；在概率预报上，除了CRPS和Brier评分，接收者操作特征曲线下面积技能评分（ROCASS）也更出色。对于极端天气事件，如热带气旋和热浪，FuXi-ENS的预报表现同样优于ECMWF集合预报。计算效率方面，在Nvidia A100 GPU上，每个集合成员生成15天预报仅需约10秒，远高于传统模型。不过，FuXi-ENS在预报初期存在集合离散度低估的问题，未来可通过引入最优增长扰动、改进损失函数设计等方式进一步优化。该模型有望突破传统数值方法的计算限制，生成数千个集合成员，为集合资料同化等领域提供支持。