Subseasonal Predictability of Diverse Persistent Wet-Cold Compound Extreme Events over China Based on Calibrating Dynamical and AI models
本研究评估并校准了动力学与基于人工智能的次季节模型，旨在证明中国持续性的湿冷复合极端事件在长达15至20天的预报期内具有可预报性，其中华中型事件受特定大尺度环流模式驱动而表现出最高的预报技巧，同时强调了欧洲中期天气预报中心（ECMWF）与中国气象局风神（CMA-FENGSHUN）系统在不同预报时效下的不同性能优势。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年冬天，中国部分地区都会面临一种格外严酷的天气：持续性的强降雨或强降雪与刺骨寒冷的结合。科学家们称之为“持续性湿冷复合极端事件”。它们不仅仅是短暂的寒潮或一场雨天，而是两者的危险重叠，创造了如冻雨和强降雪等条件，可能导致城市瘫痪、电网受损并威胁生命。虽然我们知道这些事件的存在，但要在提前一周或两周以上的时间内准确预测它们何时何地发生，一直是一个棘手的挑战。这就是预报中的“次季节”空白期——即在可靠性仅维持数天的标准天气预报与观察数月之久的季节性展望之间，那段尴尬的过渡时间。在这个窗口期内，大气层过于混乱，无法进行短期精准预测；但其变化速度又太快，以至于海洋缓慢的变化过程无法提供清晰的指引。
来自中国气象科学研究院和国家气候中心的科研团队对这一问题进行了全新的审视。他们重点研究了发生在中国不同地区的三个截然不同的湿冷事件类型：一个影响南方，一个影响西部，第三个则影响中原地区。为了应对预测的难度，他们并未仅仅依赖单一方法。相反，他们将模拟大气物理过程的传统计算机模型，与通过海量历史数据学习模式的新一代人工智能系统进行了对比。至关重要的一点是，他们首先对这些模型的原始数据进行了统计校正。这一步骤可以类比为通过调谐收音机来消除杂音；模型往往存在内置偏差，例如预测的降雨过轻或温度过高。通过将预报结果进行调整以匹配真实的观测分布，研究人员得以在剔除误差噪声后，观察到模型的真实信号。
这一对比结果揭示了一条充满希望的前行之路。经过统计校正后，所有模型——无论是基于物理的模型还是人工智能系统——在识别这些危险事件发生位置方面的能力都显著提升。它们能够可靠地在长达两周的时间内，勾勒出湿冷区域的大致形状和位置。然而，研究发现并非所有事件都是同质的，也不是所有模型在每个阶段的表现都同样出色。发生在中国西部的事件（通常在青藏高原上空形成）在持续天气模式的预测方面最为稳定。相比之下，中国中部的事件整体上最具可预测性，这主要是因为它们受驱动于在全球范围内移动的、极其有序的大规模气流波动。
当涉及到模型本身时，根据时间的推移呈现出了明显的优势差异。欧洲中期天气预报中心模型作为传统的强力工具，在最初几天表现最佳，能提供尖锐且准确的短期预警。但随着预报时间延长至第二周，被称为“风顺”（FENGSHUN）的人工智能模型开始脱颖而出。它比其他模型更能持久地保持预测能力，甚至在15到20天的预报期内仍能维持对湿冷异常情况的清晰刻画。这表明，虽然传统模型擅长捕捉大气的即时物理过程，但人工智能系统已经学会了识别驱动这些事件的更深层、更长期的模式，即便它并不显式地计算物理作用力。
研究人员还深入探究了这些预测背后的“原因”。他们发现，最具有可预测性的事件在发生前总是伴随着大气中特定且强健的征兆。对于中国中部的事件，一条由高压和低压组成的清晰波列从欧洲横跨亚洲延伸，并伴随着热带海洋上方云层形成的明显抑制。当这些大规模信号强而有序时，模型便能充满信心地进行预报。当背景大气变得混乱或信号微弱时，预测就会失效。这种区别至关重要：这意味着我们预测这些灾害的能力，在很大程度上取决于事件发生前的气象状态。该研究结论指出，尽管我们目前还无法以完美的确定性预测每一次湿冷事件，但我们现在对哪些事件是可预测的，以及如何结合使用不同工具来延长预警时间，有了更清晰的理解，这有望在灾难发生前的数周内挽救生命并减少经济损失。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。