人工智能全球天气模型在参考作物蒸散量预测中的潜力：与数值天气预报模型的比较

本研究首次系统评估人工智能天气模型（GraphCast）在参考作物蒸散量（ET0）预测中的性能，通过与欧洲中期天气预报中心（ECMWF）和日本气象厅（JMA）等传统数值天气预报（NWP）模型对比，发现GraphCast在1-9天预见期内显著优于传统模型，并结合XGBoost机器学习算法实现预测精度进一步提升，为农业水资源优化和气候变化研究提供创新技术路径。

　　

Section snippets

Overview of the study area

本研究选取中国大陆94个气象站，覆盖北纬18°13′–52°58′、东经75°45′–130°18′区域。该地区地形复杂，海拔从西北山区的4507米降至东部沿海的2.3米，受显著海陆热力差异影响，气候带涵盖热带至温带。太平洋的邻近性导致降水分布呈现明显时空异质性，形成从湿润季风区到干旱内陆的多样气候类型。根据K?ppen气候分类系统，研究区域可划分为7个气候带：中温带（MTC）、暖温带（WTC）、北亚热带（NSTC）、中亚热带（MSTC）、南亚热带（SSTC）、高原气候（PC）和干旱气候（AC）。

Performance of raw PM-ET₀ forecast methods

基于PM方程与ECMWF、JMA、GraphCast数据构建的ET₀预测模型均显示随预见期延长精度下降的特征（图2）。GraphCast表现出最优性能（R²=0.756），其回归线（黑色实线）最接近1:1参考线（红色虚线），且数据点分布更集中。JMA和ECMWF的R²分别为0.700和0.643。从站点优势占比看，GraphCast在1-9天预见期内以53.2–77.7%的占比领先，但在第10天被JMA（44.7%）反超。区域分析表明，GraphCast在湿润气候区（如NSTC、MSTC）表现卓越，而JMA在东北（NEC）和西北（NWC）干旱区更具优势，ECMWF则在高原气候区（PC）误差最小。

Discussion

本研究揭示了不同天气预报数据集（GraphCast、ECMWF、JMA）驱动下PM与XGBoost模型在ET₀预测中的性能差异机制。GraphCast凭借高分辨率数据和图神经网络对非线性气象关系的强大捕捉能力，在短预见期预测中显著优于传统NWP模型。XGBoost通过误差校正和特征优化，将三大数据集的RMSE降低至0.72–0.99 mm d^-1，其中ECMWF在1天预见期的改进幅度达31.8%。值得注意的是，GraphCast-XGBoost组合在1-7天预见期内以79.8–96.8%的站点优势占比展现统治性表现，但在8-10天预见期被JMA反超，说明AI模型在长预见期预测中仍存在衰减现象。气候带差异对模型性能的影响凸显了区域适应性优化的重要性。

Conclusion

研究表明：1）GraphCast驱动的PM模型在1-9天预见期内整体优于ECMWF和JMA；2）XGBoost后处理使所有数据集预测误差显著降低，其中GraphCast-XGBoost组合在短预见期（1-7天）具有绝对优势；3）JMA在干旱区和长预见期（10天）预测中表现最佳；4）强烈推荐将GraphCast-XGBoost模型用于中国1-7天ET₀业务化预测。本研究为AI天气模型与机器学习融合的ET₀预测范式提供了理论与实践支撑。