CRPS-Net：一种用于人工智能辅助的海洋气象集合预报的新框架

《Environmental Modelling & Software》：CRPS-Net: A novel framework for AI-assisted meteo-marine ensemble forecasting

提出基于连续 ranked 概率得分（CRPS）的非参数深度学习框架，直接从确定性预测生成集合预报。通过训练单模型网络，无需预设误差分布假设，可灵活捕捉多模态或偏态概率分布。在24小时风场预报和海表温度时间序列预测中，该方法显著提升概率校准精度，降低计算成本，适用于资源受限的实时预报和长期气候预测。

　　这项研究提出了一种新颖的非参数框架，用于直接从单个确定性预测生成集合预报。与现有的依赖于预设集合或对误差分布施加预定义参数形式（如高斯分布）的方法不同，该方法利用一个深度神经网络，其训练过程中采用连续等级概率得分（CRPS）作为损失函数，而不对预测分布的形状做出任何假设。这种非参数的特性使得模型能够灵活地学习复杂、可能多模式或偏斜的分布，这些分布通常难以通过传统的参数方法准确捕捉。通过将CRPS应用于24小时风速预测和海表温度（SST）时间序列的预测，研究结果表明，与基于参数形式的集合预报方法相比，该方法能够提供更高质量的概率校准。

在气象学和海洋学领域，集合预报长期以来是评估数值天气预测（NWP）和海洋建模系统中固有不确定性的核心工具。传统的集合预报策略，如欧洲中期天气预报中心（ECMWF）的集合预测系统（EPS），通常依赖于对初始条件和模型参数的扰动，以生成大气或海洋可能的未来状态集合。这些系统在概率预报方面具有显著优势，但同时也伴随着较高的计算成本，因为需要运行多个具有不同输入的模拟。这种计算负担限制了其在实际应用中的可行性，尤其是在需要高分辨率、实时和长期预测的场景中。

在海洋预报中，集合系统被广泛用于波高、海表温度（SST）和洋流的预测。例如，多模型集合已被证明在海洋再分析中特别有用，其中初始条件和模型动力学的不确定性尤为显著。近年来，集合预报技术在海洋中尺度预测方面取得了显著进展，使预测范围扩展到了40天，从而进一步提升了海洋预报的能力。然而，尽管这些技术在某些方面取得了突破，但它们仍然面临计算资源的限制，尤其是在需要实时和长期预测的场景中。

在气候建模领域，传统的集合策略也被用于捕捉长期气候预测的不确定性。这些集合通常通过扰动初始和边界条件来模拟一系列可能的未来状态。这种方法对于评估气候敏感性、理解潜在极端事件以及评估不同强迫因素对气候预测的影响至关重要。例如，耦合模型比较计划（CMIP）利用多模型集合来评估未来气候情景中的不确定性，这对于理解长期变化和可预测性具有重要意义。然而，即使在气候建模中，集合方法仍然需要大量的计算资源，这限制了其在某些场景中的应用。

尽管集合预报在提高气象和海洋模型的可靠性方面发挥了重要作用，但其计算成本仍然是一个主要的限制因素。传统的集合方法通常需要运行多个模拟，这不仅耗费大量计算资源，还增加了实施的复杂性。而基于机器学习（ML）和深度学习（DL）的AI方法则为集合预报的后处理和生成提供了新的可能性。然而，这些方法大多专注于校准已有的集合预报，而不是生成新的集合。此外，许多AI方法仍然依赖于已有的集合作为输入，这在计算资源有限的情况下可能并不适用。因此，开发一种能够在不依赖预设集合的情况下，直接从确定性预测生成集合的方法，具有重要的实际意义。

本研究提出的方法突破了传统集合方法的限制，它通过一个单一的深度神经网络，直接从确定性预测生成集合预报。这种方法的核心在于采用CRPS作为损失函数，而不是对误差分布做出参数假设。CRPS是一种广泛用于评估概率预报质量的指标，它衡量了预测分布与实际观测之间的差异。通过将CRPS应用于深度学习框架，该方法能够在不依赖预设分布的情况下，学习预测变量的完整不确定性结构。这使得模型能够适应高度非线性的大气和海洋系统，而不会受到参数假设的限制。

该方法的实施过程并不需要对误差分布进行预设，这为模型的灵活性和准确性提供了更大的空间。传统的统计或机器学习方法在生成集合预报时，往往需要假设误差分布的某种形式，如高斯分布、伽马分布或逻辑分布。然而，这些假设可能并不适用于高度非线性的系统，从而限制了模型的表达能力。相比之下，本研究提出的方法能够更全面地捕捉预测变量的不确定性，而不会受到参数假设的约束。这使得模型能够更准确地反映实际系统的复杂性，从而提高预测的可靠性。

在实际应用中，该方法展现出显著的优势。首先，它显著降低了计算成本，因为只需要运行一个深度神经网络，而不是多个模型。这不仅减少了计算资源的需求，还简化了实施过程。其次，该方法适用于多种预测场景，包括短期和长期的气象和海洋预测。由于其非参数的特性，该方法能够适应不同类型的预测变量，无论是风速、海表温度还是其他海洋变量。此外，该方法还能够在实际操作中提供快速的概率预报，这对于需要实时决策的领域（如灾害预警、航运规划等）尤为重要。

为了验证该方法的有效性，研究团队将其应用于两个重要的案例：24小时风速预测和海表温度时间序列的逐小时预测。在风速预测中，研究使用了确定性的WRF（天气研究和预报）模型输出作为输入，而海表温度预测则基于Mercator全球海洋分析和预报系统（Global ocean physics analysis and forecast）的实时数据。通过这些案例，研究团队评估了该方法在不同预测任务中的表现，并与基于参数形式的集合方法进行了比较。结果表明，该方法在概率校准方面表现更优，能够提供更准确和可靠的预测。

此外，该方法在气候建模中的应用也具有重要意义。在长期气候预测中，传统的集合方法通常需要大量的计算资源，而该方法通过减少模型数量和计算步骤，显著降低了成本。这使得该方法在资源有限的环境中更具可行性，尤其是在需要长期气候预测的场景中。同时，该方法的灵活性也使其能够适应不同类型的气候模型和预测任务，从而提高预测的准确性和可靠性。

本研究提出的方法还具有良好的可扩展性。由于其基于深度学习的特性，该方法可以轻松地应用于其他气象和海洋预测任务，而不需要对模型结构进行大规模调整。此外，该方法的非参数特性使其能够适应不同类型的预测变量，而不会受到参数假设的限制。这不仅提高了模型的泛化能力，还增强了其在不同场景中的适用性。

在实施过程中，研究团队特别强调了该方法的可持续性。传统的集合方法需要运行多个模型，这不仅增加了计算负担，还可能导致资源浪费。而该方法通过单个神经网络生成集合预报，显著减少了计算资源的需求，同时保持了预测的准确性。这种可持续性对于实际应用尤为重要，尤其是在资源有限的环境中，如发展中国家或小型研究机构。

为了进一步验证该方法的有效性，研究团队还评估了其在不同数据集和预测任务中的表现。结果显示，该方法在多个任务中均表现出良好的概率校准能力，能够提供更准确和可靠的预测。此外，该方法在处理不同类型的预测变量时也表现出较强的适应性，能够有效捕捉其不确定性结构。

综上所述，本研究提出的方法为集合预报提供了一种全新的解决方案。它不仅能够显著降低计算成本，还能提高预测的准确性和可靠性。该方法的非参数特性使其能够适应高度非线性的大气和海洋系统，而无需对误差分布做出假设。这种灵活性和可持续性使其在实际应用中具有广泛的适用性，尤其是在资源有限的环境中。未来，该方法有望在气象、海洋和气候预测领域发挥更大的作用，为相关研究和应用提供更高效和可靠的技术支持。