《Physics and Chemistry of the Earth, Parts A/B/C》：Feature-based physics-guided diagnosis of rainfall formation, intensity and motion: independent IMERG–ERA5 validation of IRFMAD-Omega
编辑推荐：
•IRFMAD-Omega 能够综合分析降雨的准备状态、强度和运动特征。•独立使用的 IMERG–ERA5 评估方法分析了 27,600 个时间分割的样本。•降雨预测的 AUROC 为 0.947，CSI 为 0.837。•降雨量的平均绝对误差（MAE）从 1.654 毫米降低到
- •
IRFMAD-Omega 能够综合分析降雨的准备状态、强度和运动特征。
- •
独立使用的 IMERG–ERA5 评估方法分析了 27,600 个时间分割的样本。
- •
降雨预测的 AUROC 为 0.947，CSI 为 0.837。
- •
降雨量的平均绝对误差（MAE）从 1.654 毫米降低到约 0.61 毫米。
- •
物理门控（Physics-gate）技术在降雨预测方面的提升效果有限。
引言
降雨预测是大气科学中最具挑战性的问题之一，因为降雨并非单一过程的结果，而是热力学、运动学、微物理过程以及陆地-大气和气溶胶-云相互作用共同作用的结果。在短预测时间内，从无降雨状态转变为降雨状态取决于低层湿气是否集中并上升转化为持续云层增长，而对流抑制、混合、边界层湍流、地表不均匀性和云微物理特性则决定了这一转变是否成功。因此，对流起始对湿气、不稳定性和上升力非常敏感，但这些因素单独来看往往不够充分，因为温度、湿度、湍流、混合和微物理强迫的微小变化都可能改变降雨的形成时间和地点（Andreae 和 Rosenfeld, 2008; Li 等人, 2024; Weckwerth 和 Parsons, 2006）。
传统的降水临近预报依赖于现有降雨场的外推。世界气象组织（2017）指出，定量降水临近预报通常利用雷达观测到的运动信息、互相关、光流或风暴对象跟踪方法来进行预测。这些方法计算效率高，对预警操作很有用，但其起点通常是已经存在的降雨或雷达回波数据，这限制了它们从对流前湿气、热力学、上升力和微物理前兆中诊断降雨的能力。
最近的人工智能方法显著提高了降水临近预报的准确性。ConvLSTM 引入了卷积循环学习技术（Shi 等人, 2015），pySTEPS 建立了一个开源的概率基准和集合预报平台（Pulkkinen 等人, 2019），MetNet 利用高分辨率雷达和卫星数据进行了神经网络降水预报（S?nderby 等人, 2020），DGMR 生成的概率雷达预报在大多数评估案例中受到预报员的首选（Ravuri 等人, 2021），而 NowcastNet 将物理演化模型与条件学习相结合，能够生成最多提前 3 小时的极端降水预报（Zhang 等人, 2023）。这些研究表明，该领域已经从简单的图像外推发展到概率性、生成性和基于物理条件的预报。
当前的混合物理-AI 评估进一步证明了严格基准测试的重要性。Das 等人（2024）发现，基于物理模型的 NowcastNet 框架在田纳西河流域的重降水事件预测中表现优于高分辨率快速更新数值天气预报模型、光流平流方法和持续性分析方法，但也指出了其局限性，例如在较长的预测时间内会高估空间聚合的降雨量。因此，本研究需要解决的剩余问题不在于缺乏现代 AI 技术，而是一个可解释的框架，能够在同一验证设计中诊断降雨前的物理准备状态、降雨强度、物体位移和过程特征。表 1 将 IRFMAD-Omega 与代表性先进方法进行了对比；直接与 DGMR、NowcastNet、MetNet 和 pySTEPS 在共享雷达/IMERG 协议下的对比仍是未来的工作。
本研究实施了 IRFMAD-Omega 框架，用于分析降雨的准备状态、量性和运动特征。它评估了大气特征是否能够预测下一小时的降雨情况，操作特征是否为原始预测因子增添了价值，以及多层次引导如何表示云团位移。湿气、上升运动、不稳定性、云和气溶胶条件、地表特征以及引导风都在一个共同的特征架构中得到了体现（Karniadakis 等人, 2021; Raissi 等人, 2019）。标量准备状态指纹是一种诊断性总结；要确定独特的限制机制需要进一步的气象证据。
本文的核心假设是，降雨的形成和运动可以表示为一种受限的多操作符映射：
预测的降雨场在 τ 时刻由五个操作符家族的映射表示：湿气准备状态 OM、动态上升力 OL、不稳定性释放 OI、云-气溶胶微物理过程 OC 和运动引导 OS。气溶胶中介作用被包含在云-气溶胶家族中，地表变量提供了预测背景。
该研究将原型的一致性与独立预测评估区分开来。原型整合了大气立方体模型、准备状态分类和多层次引导。IMERG–ERA5 实验对比了发生模型和量模型与持续性、原始预测因子学习、仅使用操作符的学习方法以及无约束的 IRFMAD 变体。消融分析和阈值敏感性测试了物理特征的增量预测贡献。过程特征提供了一个可审计的准备状态代码，但这些分类名称并未建立降雨抑制的因果解释。潜在的应用包括回顾性准备状态筛查、检查操作符值以及在雷达覆盖有限的区域进行物理合理性审核。
章节片段
框架概述：IRFMAD-Omega
实施的 IRFMAD-Omega 框架是一个用于诊断降雨形成、强度和运动的数学-物理-AI 联合架构。其核心设计选择是将降雨预测分解为五个具有物理解释的操作符，这些操作符代表了影响降雨起始和随后位移的主要因素。这与仅基于降雨的外推框架不同，因为它还考虑了降雨前的湿气、上升运动、不稳定性以及云-气溶胶相互作用。
方法
该研究结合了原型操作符构建和基于特征的模型拟合，并在第 3.9 节描述的架构下完成了神经网络训练和运动对比。使用了 240 个样本的原型工作簿来评估数据集成和诊断一致性。独立的发生量和量模型评估使用了 27,600 个 IMERG–ERA5 网格时间样本，发生量模型采用标准化逻辑回归进行建模。
原型操作符行为和诊断案例
IRFMAD-Omega 框架首先将降雨预测从一个传统的时间序列问题重新构建为一个四维大气状态问题。在原型实现中，数据集被组织成一个网格化的立方体，在方程 (9) 中，?、λ、p 和 t 分别表示纬度、经度、压力层和时间。每个原型网格时间样本包含表面强迫、地表状态、压力层热力学、湿度、垂直速度、风速和不稳定性的信息。
讨论
原型展示了大气特征、准备状态分类和引导诊断的一致性集成。独立的 IMERG–ERA5 测试评估了发生量和量模型，而神经网络训练在另一个实验中完成，运动基准测试也单独进行了报告。表 7、表 8、表 9、表 10 和表 11 量化了基于特征的验证结果，表 15 量化了神经网络在发生量和量方面的性能；准备状态指纹仍然具有诊断意义。
结论
IRFMAD-Omega 集成了湿气准备状态、上升力、不稳定性、云-气溶胶微物理过程和引导特征。其独立的 IMERG–ERA5 实验评估了等渗校准的逻辑发生模型和标准化脊线量模型，并采用了非负剪切处理。在 2024 年的测试分割中，全模型发生的得分优于持续性方法，而区分度、布里尔分数 (Brier score) 和 CSI 与无约束的 IRFMAD 相似。
图表制作说明
图表包括示意图、原型诊断结果和存档的验证总结。相关部分使用了 QGIS 进行空间和制图处理；使用 Python/R 进行分析图表制作；使用 draw.io 进行工作流程和决策图绘制；使用 Inkscape 进行矢量编辑、标签添加和对齐以及导出。
AI 使用和作者责任声明
AI 辅助工具仅用于支持文本润色、结构编辑以及图表/表格的格式化和优化。作者手动检查并验证了所有文本、图表、表格、参考文献和解释内容，并对内容的准确性、完整性和最终结果负全责。
Campbell, 2015; GRUAN, 无日期；NASA, 2023; 比利时皇家气象研究所，2021 年 7 月；Unidatan, cape_cin。
伦理批准和参与同意
本研究未涉及人类参与者、动物或临床样本，因此无需伦理批准和参与同意。
数据可用性声明
独立的 IMERG–ERA5 验证数据集和支持分析的验证输出包可应要求提供。
利益冲突
作者声明与本研究、作者身份和/或文章发表无关的潜在利益冲突。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
作者感谢来自加纳国家核研究所（NNRI）核化学与环境研究中心、加纳原子能委员会（GAEC）、Box LG 80、Legon-Accra 的同事们的贡献。
Ebenezer Aquisman Asare
