基于CFSv2和FuXi全球预测的动力降尺度方法，对韩国1个月温度预报结果进行比较评估

《Scientific Reports》：Comparative assessment of 1-month temperature forecasts in South Korea based on dynamical downscaling of CFSv2 and FuXi global predictions

　　

摘要

尽管全球集合预报的可用性不断提高，但由于空间分辨率较低，其在区域尺度上的应用仍然面临挑战。与此同时，基于机器学习（ML）的预报正成为传统物理模型的有力替代方案，但这些预报方法大多具有确定性，其潜力在中期时间范围内的应用尚未得到充分探索。本研究对基于物理模型的CFSv2和基于机器学习的FuXi-ENS对韩国一个月气温的预报结果进行了对比评估。从每种系统中选取部分集合成员，使用WRF技术对其进行动态降尺度处理，并从时间和空间模式两个方面评估它们的预报性能。结果表明，时间上的可预测性主要来自驱动全球预报的结果，而动态降尺度主要改善了温度的空间分布。虽然降尺度后的CFSv2在空间相关性方面表现出更大的提升（因其本身的预报性能较弱），但FuXi-ENS在初期就提供了更精准的温度模式，并且在降尺度后能够更好地捕捉空间变异性。总体而言，本研究对韩国区域的远程气温预报进行了全面评估，展示了结合全球季节性预报与区域动态降尺度技术的混合预报方法的实用潜力，并为未来混合预报系统的发展提供了有益的启示。