用“AI模拟器”实现公里级天气预报

公里尺度天气预测对极端天气预警至关重要，但传统对流允许模型（CAMs）因需公里级空间分辨率来模拟流体动力运动，计算成本极高，限制了其在许多国家的应用，且在概率预测中需在分辨率和集合规模间权衡。尽管机器学习（ML）模型在30公里等较粗分辨率下表现出色，能实现四个量级的速度提升并保持相当技能，但在公里尺度模拟中因动力学复杂（如非静力平衡、浮力驱动的对流运动）及时空数据限制（ hourly数据对小尺度而言采样不足）而进展缓慢。

本研究提出StormCast，一种生成扩散模型，用于模拟美国国家海洋和大气管理局（NOAA）的高分辨率快速刷新（HRRR）模型——这是一种3公里分辨率的业务化对流允许模型。StormCast以1小时时间步长自回归预测99个状态变量，在大气边界层具有密集的垂直分辨率，并以26个天气尺度变量为条件。

结果显示，StormCast成功学习了公里尺度动力学：1-6小时复合雷达反射率预报技能具有竞争力，对流集群演变、湿上升气流和冷池形态均符合物理实际。其集合概率匹配平均（PMM）预报在20dBZ（小雨）阈值下，于3公里和45公里空间尺度的前3小时内表现优于HRRR滞后集合。功率谱和概率分布验证表明输出具有整体真实性，多变量分析显示模拟的对流上升气流、焓异常与雷达反射率空间匹配，符合对流物理过程。

该研究表明生成扩散模型有望革新公里尺度数值预报，为改进区域机器学习天气预报和气候灾害动力降尺度提供新途径，且计算成本远低于传统模型。