《Plants》：Drought Dominates over Warming in Structuring Growth and Defense in Invasive Solidago canadensis vs. Native Solidago decurrens
编辑推荐：
对近地面气象变量的准确预报对天气服务和海岸风险管理十分重要。然而，全球人工智能（AI）天气模型在复杂海岸环境中的站点尺度性能仍缺乏充分刻画。研究人员评估了盘古天气（Pangu-Weather）、FengWu、FuXi与传统全球预报系统（GFS）在2022年7月
对近地面气象变量的准确预报对天气服务和海岸风险管理十分重要。然而，全球人工智能（AI）天气模型在复杂海岸环境中的站点尺度性能仍缺乏充分刻画。研究人员评估了盘古天气（Pangu-Weather）、FengWu、FuXi与传统全球预报系统（GFS）在2022年7月至12月中国东部沿海210个站点的表现，重点考察2 m温度、地面气压、10 m风速和风向在预报时效、站点、常规与台风条件下的误差。FuXi的2 m温度均方根误差（RMSE）最低（1.70 °C），FengWu的气压和风速RMSE最低（0.89 hPa和1.17 m/s）。模型空间误差格局不同，风速误差集中于若干北部沿海与过渡带站点。台风梅花期间所有模型误差增大，风速退化最明显；FengWu台风期风速RMSE仍最低（1.87 m/s），GFS最高（3.03 m/s）。所有模型均难以复现风向分布。结果支持按变量选模型，但因验证限于近地面站点数据和六个月时段，不应视为大气预报系统的总体排名。
研究背景方面，近地面温度、气压、风速与风向的准确预报支撑天气服务、可再生能源运行和海岸灾害管理。中国东部沿海受季风环流、陆海热力对比、不规则海岸线、下垫面粗糙度过渡和复杂地形影响，站点尺度预报难度大。传统数值天气预报（NWP）如全球预报系统（GFS）受水平分辨率、边界层参数化、地形表达及网格平均与点观测不匹配影响；AI天气模型如Pangu-Weather、FengWu、FuXi从ERA5再分析学习，虽计算高效，但0.25°产品会平滑海岸与地形特征。已有评估多基于全球或区域格点，少有利用密集独立站点观测检验沿海平原、内陆过渡带和山地站点的近地面误差。因此，研究人员以东部沿海为试验场，检验全球0.25° AI与NWP产品向点位近地面条件传递时的能力，识别需区域降尺度、局地后处理或改进表征的变量与情形。
该研究发表在《Plants》。研究人员评估三种AI天气基础模型Pangu-Weather、FengWu、FuXi与GFS在中国东部沿海的近地面预报性能，用210个地面站观测作参考，时段为2022年7月至12月，变量为2 m温度、地面气压、10 m风速和风向，并以台风梅花作事件鲁棒性检验。结论显示：无模型全面最优，FuXi温度误差最低，FengWu气压和风速误差最低；风向最难预报；台风期风速误差显著增大；应按变量和天气条件选模型。意义在于给出东部复杂海岸带近地面AI与NWP站点评测证据，指明变量依赖、区域依赖和极端事件下的改进方向。
主要关键技术方法如下：研究区覆盖24°N–36°N、116°E–124°E的中国东部沿海，含上海、江苏、浙江、福建；参考数据为210个地面气象站2022年7月至12月观测，海拔从江苏射阳3 m到福建九仙山1600 m，涵盖沿海平原、内陆过渡带和山地。评估模型为Pangu-Weather、FengWu、FuXi与NOAA/NCEP的GFS。空间匹配用双线性插值将网格值插到站点；每日00:00、06:00、12:00、18:00 UTC起报，28个6小时步长至7天；指标用偏差（bias）、平均绝对误差（MAE）、均方根误差（RMSE）和相关系数（R），风面向用最小角差计算。
研究结果部分，3.1 预报准确率随预报步长的变化：温度与气压RMSE随预报时长总体上升，FuXi温度误差多数步长最低，FengWu气压和风速多数步长最低，风速RMSE非单调上升，说明排名为样本内描述性结果。3.2 不同模型总体性能比较：全步长平均上FuXi温度RMSE 1.70 °C最低，FengWu风速1.17 m/s与气压0.89 hPa最低；GFS风速RMSE 1.97 m/s且正偏差最大；无模型对所有变量均最优。3.3 预报误差空间分布：以30°N作描述性分界，北部温度RMSE更低，风速和气压RMSE更高；大风速误差集中在北部沿海与过渡带站点；气压误差比风速更平滑；点位—网格代表性误差和残差观测不确定性可能共同造成孤立高误差站。3.4 基于风玫瑰的风场分布：观测主导向东南风，模型可抓住主向南风分量，但Pangu-Weather略偏东，FengWu、FuXi、GFS偏西南或南西南；模型风速分布比观测更宽，说明0.25°产品平滑了海岸线、地形和边界层环流。3.5 台风事件下模型预报性能案例：台风梅花下所有模型误差增大，风速退化最强；FuXi温度RMSE仍最低，FengWu气压1.87 m/s风速RMSE最低，GFS风速RMSE 3.03 m/s最高且明显高估；模型可抓温度日变化和气压下降，但风速普遍偏高估。
讨论部分总结：研究人员强调本研究是经验性站点评估，而非架构因果证明。FuXi级联结构可能减缓热误差累积，FengWu多模态融合与37层气压可能保留压—风耦合信息，Pangu分层时间聚合减少自回归累积但补不回未解析的局地过程；这些仅为假设。风因其圆形变量属性和站依赖，普通标量排序不足，需圆形统计与风玫瑰诊断。常规期测平均误差，台风期测分布偏移下的鲁棒性；单事件不能代表所有热带气旋。局限包括仅六个月、仅近地面、无依赖感知显著性检验、孤立站极值含代表性误差。混合物理约束、资料同化与AI降尺度或偏差纠正是更稳妥方向。
结论部分翻译：本研究评估了2022年7月至12月中国东部沿海Pangu-Weather、FengWu、FuXi与GFS的2 m温度、气压、风速和风向站点预报。温度与气压误差随预报时效总体增大，风速误差非单调且站依赖更强。FuXi温度RMSE最低，FengWu气压和风速RMSE最低；这些排名为评估样本内描述性结果，不构成统计显著或通用最优。空间验证显示局部误差和变量特定偏差，大风速误差在若干北部沿海与过渡带站点，点位—网格代表性和观测不确定性可能参与。台风梅花期间所有模型退化，尤其风速，案例显示强扰动下鲁棒性下降但不代表所有热带气旋。风玫瑰显示模型可抓主向南风但风向分布有偏，细尺度海岸风结构尤需改进。总体结果支持按变量和条件选模型，而非单一模型层级；泛化受六个月时段、仅近地面站点、无依赖感知显著性检验和单台风案例限制。
