《Atmosphere》:Development and Evaluation of a 1.5 km CorrDiff Downscaling System for the Korean Peninsula
编辑推荐:
为对朝鲜半岛的人工智能(AI)中期天气预报进行降尺度处理,研究人员开发了一套以ERA5数据为输入、以UM-LDAPS分析场为目标进行训练的1.5 km分辨率CorrDiff系统。就1.5 m气温和10 m风而言,回归阶段(regression stage)相对
为对朝鲜半岛的人工智能(AI)中期天气预报进行降尺度处理,研究人员开发了一套以ERA5数据为输入、以UM-LDAPS分析场为目标进行训练的1.5 km分辨率CorrDiff系统。就1.5 m气温和10 m风而言,回归阶段(regression stage)相对ERA5降低了均方根误差(RMSE)和均方根矢量误差(RMSVE),并提升了空间相关。CorrDiff相比回归输出具有更小的绝对偏差和更大的空间变率,但其RMSE和RMSVE更高、空间相关更低。相对回归输出,最一致的改进出现在达到或超过目标第99百分位数的高温事件上,其探测概率(POD)和临界成功指数(CSI)更高,且条件温度误差更低。在未进行额外训练或校正的情况下,AIFS预报被降尺度至+288 h。在2026年7月一次热浪个例的47个站点上,CorrDiff相对回归输出降低了温度误差并缓解了对高温出现频率的低估。对于≥33 °C的温度,CorrDiff的POD和CSI高于AIFS,但其RMSE更高、空间相关更低。因此,生成式降尺度的评估应在确定性误差之外,同时考虑空间变率、空间一致性以及事件特定表现;生成高分辨率数据并不必然意味着相对观测的预报性能提升。
一、研究背景与问题
全球人工智能(AI)天气预报模型发展迅速,其中期预报性能已达到或超过传统数值天气预报(NWP)模型。然而,全球预报场的空间分辨率可能不足以刻画区域尺度上气温和风的细致空间分布。朝鲜半岛地形复杂、海岸线曲折、地表特征多样,局地天气现象受地形和地表条件强烈影响,因此需要能够反映局地气象特征的降尺度技术。传统确定性降尺度模型以最小化均方误差为目标,难以从低分辨率输入中确定的小尺度变率往往弱于目标场。生成模型通过学习低分辨率输入条件下高分辨率场的条件概率分布,能够表征此类变率。CorrDiff由Mardani等人提出,是一种两阶段生成式降尺度模型:其回归阶段从低分辨率输入预测高分辨率场,扩散阶段(diffusion stage)学习并生成回归预测与目标之间的残差。该模型最初针对台湾地区提出,后已应用于其他区域。针对韩国,已有研究报道了基于机器学习的确定性降尺度方法生成1 km网格气温场,但尚需区分回归输出与最终CorrDiff输出,考察扩散阶段增加的空间变率与确定性误差及空间一致性变化的关系,并评估基于再分析数据训练的降尺度系统应用于预报场时的表现。
二、研究内容与结论
研究人员开发了面向朝鲜半岛的1.5 km CorrDiff生成式降尺度系统,以0.25°网格ERA5再分析场为输入,以韩国气象厅(KMA)统一模式局地资料同化与预报系统(UM-LDAPS)1.5 km业务分析场为目标,并使用地形高程和陆海掩膜作为静态输入。该系统被应用于欧洲中期天气预报中心(ECMWF)AI预报系统(AIFS)的预报场,无需额外训练或校正即可生成至+288 h的1.5 km中期预报数据。研究首先比较了ERA5、回归输出和CorrDiff最终输出在确定性误差、数值分布、空间变率和空间一致性上的差异,进而评估了扩散阶段对不同类型和强度事件的影响,并在2026年7月热浪个例中基于自动地面观测系统(ASOS)站点观测评估了温度误差、空间相关和高温探测性能。
三、关键技术方法
研究采用CorrDiff两阶段生成式降尺度架构。回归阶段为基于SongUNet的确定性U-Net,从ERA5输入和静态输入预测高分辨率场;扩散阶段基于精化扩散模型(EDM),学习回归输出与目标之间残差的条件概率分布,并以336×336网格点的分块扩散方式降低内存占用。训练使用2018年6月7日至2023年12月31日期间3小时间隔的ERA5与UM-LDAPS输入—目标对,2024年为验证期,2025年3月1日至2026年2月28日为测试期。评估域为韩国陆地区域40873个格点,网格评估以UM-LDAPS为参照,站点评估使用ASOS观测。
四、研究结果
4.1 各阶段确定性降尺度性能
以UM-LDAPS为参照,温度RMSE从ERA5的1.81 °C降至回归输出的1.11 °C,CorrDiff升至1.30 °C;10 m风RMSVE从2.26 m s?1降至1.65 m s?1,CorrDiff升至2.15 m s?1。温度同时间空间相关均值ERA5、回归输出、CorrDiff分别为0.73、0.90、0.86,10 m风速分别为0.42、0.68、0.57,回归输出均为最高。CorrDiff对温度和风速的绝对偏差最小,但RMSE、RMSVE高于回归输出,空间相关低于回归输出。
4.2 回归阶段降尺度场特征
回归阶段降低了RMSE和RMSVE并提升了空间相关,但数值分布和短波长变率仍与目标存在差异。温度方面,ERA5在整个评估分位数范围内高于目标,回归输出在p01和p50的绝对差异减小,但在p99的差异增大(?1.20 °C)。风速方面,回归输出在低中分位数低于目标,低于1 m s?1的频率(21.6%)远高于目标(10.2%)。谱分析显示,回归输出在短波长范围的功率高于ERA5,但功率比降至0.5以下的最短波长分别为温度5.73 km和风速6.83 km,在Nyquist波长3.07 km处功率比仅0.02和0.03。
4.3 扩散阶段后降尺度场变化
扩散阶段后,温度p50和p99的绝对差异减小(分别从?0.39至?0.05 °C、从?1.20至?0.46 °C),p01差异增大(从?0.03至+0.48 °C);风速低中分位数差异减小,低于1 m s?1频率从21.6%降至11.4%,接近目标的10.2%。短波长功率增加,CorrDiff对目标的功率比在Nyquist波长处温度达4.84、风速为1.07,均维持0.5以上;温度功率在该波长大幅超过目标,风速功率接近但略高于目标。
4.4 各降尺度阶段空间结构变化
温度个例中,回归输出呈现沿太白山脉和小白山脉的与地形相关的低温结构,但分布宽度(p99?p01)与ERA5相近;CorrDiff的局地温度变化和冷暖对比增强,分布宽度(8.89 °C)大于回归输出和目标(7.10 °C)。风个例中,回归输出比ERA5更清晰地呈现山区与低地风速对比,与目标分布相似;CorrDiff低地风速升高,对比部分减弱。扩散阶段并非一致地增强回归输出的局地对比。
4.5 低温、高温和强风事件评估
低温事件中,回归输出的POD、CSI最高,FBI最接近1,条件温度误差最小;扩散阶段后POD和CSI下降,正温度偏差和条件RMSE增大。高温事件中,p95阈值下各指标变化不一致;p99阈值下,POD从0.34升至0.55,CSI从0.33升至0.47,FBI从0.36升至0.73,条件RMSE从1.91降至1.69 °C,条件偏差从?1.65移至?1.05 °C,是评估条件中相对回归输出最一致的改进。强风事件中,POD在≥10和≥12 m s?1阈值下均上升,FBI最接近1,绝对风速偏差减小,但条件RMSVE增大,CSI变化在阈值间不一致。
4.6 应用于AIFS中期预报
ERA5训练系统直接应用于AIFS预报场。热浪个例中,回归输出相对AIFS绝对偏差和RMSE更大,但空间相关略高;CorrDiff相对回归输出偏差和RMSE更小,但空间相关最低。跨站点空间标准差观测为1.34 °C,短、中预报时效AIFS、回归输出、CorrDiff分别为1.14、1.02、1.57 °C和1.00、0.93、1.40 °C,CorrDiff大于观测。≥33 °C探测方面,短时效POD为AIFS 0.42、回归输出0.22、CorrDiff 0.52,CSI为0.41、0.22、0.49;中时效呈相同排序。CorrDiff的POD和CSI高于AIFS,FBI最接近1,但中时效FBI仅0.16。按12个24 h预报时效区间统计,CorrDiff在十二个区间中九个RMSE低于回归输出,十二个区间绝对偏差均更小,但所有区间RMSE均高于AIFS。
五、讨论与结论
回归阶段降低确定性误差并提升空间相关,扩散阶段增加空间变率但确定性误差增大、空间相关降低,这与CorrDiff两阶段不同目标函数的设计一致。扩散阶段增加的短波长变率不仅补充了低于目标的变率,也产生了超过目标的变率,空间变率增加本身不能等同于与目标更接近。数值分布统计相似性与空间位置一致性不一定同时改善。扩散阶段的效果因事件类型和阈值而异,p99高温事件是最一致的改进,但该结果限于1年测试期、UM-LDAPS目标和本研究定义的阈值。ERA5训练系统可直接应用于AIFS预报场生成1.5 km中期数据,但生成高分辨率数据与相对观测的预报性能提升是两回事;两次评估在输入数据、参照数据和评估设计上存在差异,不能将差异归因于ERA5与AIFS输入分布的不同。扩散阶段在热浪个例中改善了高温探测,但未在温度误差和空间相关上超过输入预报场。研究仅评估了单一生成场,未考察生成输出的集合离散度与概率预报可靠性;UM-LDAPS为数值模式分析而非观测,与目标的接近不意味着相对真实大气的更高精度;评估限于气温和风、1年网格评估期和单一热浪个例,且定量评估限于韩国区域,不应推广至整个朝鲜半岛。未来需通过集合推理分析生成输出离散度与实际误差的关系,定量评估ERA5训练输入与AIFS预报输入的差异及其对降尺度性能的潜在影响,并通过对比实验验证多分辨率地形、土地覆盖和植被等附加静态信息的效果。
研究结论为:研究人员开发了面向朝鲜半岛的1.5 km CorrDiff降尺度系统,以生成高分辨率中期预报数据,并评估了以ERA5和UM-LDAPS分析场训练的系统在回归和扩散阶段的特征,将其应用于AIFS预报场生成至+288 h的高分辨率数据。ERA5输入评估中,回归阶段相对ERA5降低了确定性误差并提升了空间相关,扩散阶段相对回归输出增加了空间变率。p99高温事件的POD和CSI提升、条件误差降低,是评估条件中相对回归输出最一致的改进;低温事件中回归输出表现更优,强风事件中扩散阶段的效果因指标而异。扩散阶段后空间变率的增加并未一致地伴随空间一致性的改善。AIFS热浪个例的47个站点上,CorrDiff相对回归输出温度误差更小并缓解了高温出现频率的低估,其POD和CSI高于AIFS,但站点温度RMSE和空间相关未优于AIFS。研究将基于再分析数据训练的CorrDiff应用于全球AI预报场的区域降尺度,并同时评估了高分辨率数据的生成和预报性能的变化。结果表明,生成式降尺度的性能不仅应以确定性误差评估,还应考虑空间变率、空间一致性和事件特定表现;生成高分辨率降尺度场并不必然带来相对观测的预报性能提升。