智能摘要 AI
本文探讨了AI天气模型在确定性预报上的优势，并指出现有概率性评估方法因高计算成本难以满足需求。为此，提出了一种无参数、高效的概率性评估方法——滞后集合预报（LEF），通过复用不同起报时刻的确定性输出，构造“滞后集合”以实现快速、低成本的概率评估。LEF的优势包括零新增计算成本、可复用历史数据和即时评估，同时能有效区分模型校准性和分散性。研究通过多个主流AI模型与传统模型的对比验证了LEF的有效性，并指出单纯优化RMSE可能导致极端天气事件预测能力下降。此外，还构建了可复用的评估平台earth2mip，展示其在AI气象模型标准化评估中的潜力。
摘要
随着AI天气模型（如GraphCast、Pangu-Weather等）在确定性预报上的表现超越传统数值模型，业界急需一种统一且公平的概率性评估框架。当前的评估方式依赖高计算开销的集合模拟，无法满足AI模型快速迭代与开发需求。
本研究提出一种无参数、实用的概率性评估方法——滞后集合预报（LEF）。该方法通过复用不同时刻起报但预测同一验证时间的确定性输出，构造“滞后集合”，实现无需重新模拟的高效概率评估。
LEF 的优势包括：
- 0新增计算成本；
- 可复用历史数据；
- 评估快速即时；
- 能显著区分模型校准性和分散性。
研究通过对多个主流AI模型（GraphCast、Pangu-Weather）与传统模型（IFS HRES）进行评估，验证了LEF在识别概率性能（如CRPS、Spread）方面的有效性。同时指出，单纯优化RMSE容易造成过度平滑，损害极端天气事件的预测能力。
此外，研究构建了一个可复用的平台 earth2mip，并展示了其在未来AI气象模型标准化评估中的潜力。
评论 (0)