From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

天气预报已进入一个新时代，强大的计算机程序通过在海量历史天气数据档案中进行训练，开始足以媲美传统的基于物理模型的系统。这些人工智能系统并不从基本原理出发模拟大气，而是通过学习历史记录中的模式来预测接下来的变化。这些历史记录最可靠的来源是一个名为 ERA5 的全球数据集，它是一个详细的大气重建过程，填补了没有气象站存在的空白。一个更新、分辨率更高的版本——ERA5-Land，则专门针对地球表面，承诺为我们行走的地面提供更高的准确性。由于这些 AI 模型完全依赖这些数据进行学习，因此重建质量至关重要。如果历史记录包含隐藏的错误或抹平了局部极端值，AI 就会继承这些缺陷，可能导致无法预测社会迫切需要了解的危险事件。

在摩洛哥，一个地形从沿海平原到高山峻岭再到干旱沙漠发生剧烈变化的国家，研究人员着手测试这些两个数据集的可靠性。他们想知道这些过去的数字地图是否真正符合地面气象站记录的现实。该团队收集了 2016 年至 2024 年间来自全国 36 个不同站点的每小时观测数据，涵盖了广泛的气候和地形。他们将站点记录的温度、湿度、风速和降水量与标准 ERA5 以及专注于陆地的 ERA5-Land 提供的值进行了对比。其目标是观察这些数字重建能否捕捉到细微的局部天气细节，特别是在定义该地区气候的最极端热、冷和风事件期间。

调查结果显示，对于理解一般气候模式，这两个数据集都表现得非常出色。它们成功地重现了天气的日常节奏，捕捉到了气温在一天之内的升降以及季节随年份的变化。对于平均状况，这两个产品在很大程度上是可以互换的，尽管标准的 ERA5 在温度和湿度方面往往略显精确，而专门针对陆地的 ERA5-Land 在测量复杂山区风速方面具有微弱优势。然而，当研究人员观察极端情况时，情况发生了变化。虽然模型能很好地处理中等天气，但它们预测最严重事件的能力很大程度上取决于这些事件的稀有程度。

当研究人员针对极端高温、严寒和强风的阈值对模型进行测试时，发现了一个清晰的模式。两个数据集在检测中等极端情况（如炎热的一天或强风阵风）方面表现良好。但随着事件变得更加罕见和剧烈，模型的技能显著下降。对于最热的天气或最强的风，模型往往完全无法达到预期目标。研究人员指出，这种失败并不一定是软件本身的缺陷，而是试图将一个宽泛的、基于网格的数字地图与地面上一个特定的点相匹配时所面临的根本局限性。气象站位于独特的微气候中，例如在山谷或特定的坡面上，而数字模型代表的是一个平均了这些局部细节的较大区域。这种不匹配意味着，即使是完美的模型，也无法预测特定站点的确切峰值，如果该峰值是由模型无法察觉的局部地理因素驱动的。

研究还揭示了针对陆地数据集的一个特定技术障碍。由于 ERA5-Land 仅针对陆地设计，它忽略了海洋。这给位于海岸或靠近岛屿的站点带来了问题，因为在那里模型没有有效的网格点与之匹配。在某些情况下，陆地版本中这些沿海站点的资料根本不存在，如果不仔细检查，很容易将此误认为是缺失的气象记录。此外，研究人员发现，更高分辨率的陆地数据集并不总是会有所帮助。在一些沙漠和山区，更细密的网格实际上在夜间引入了更多的噪声，尤其是在温度和湿度方面，且并未提高整体准确性。

最终，研究表明，虽然这些全球数据集是研究一般气候趋势和训练 AI 模型的优秀工具，但在预测特定、具有生命威胁的局部天气事件时必须谨慎使用。模型并非损坏了，而是它们并非旨在观察景观中最小的细节。作者建议，任何使用此类数据进行影响研究或 AI 验证的人，应侧重于相对极端值——即某一天相对于当地平均水平有多异常——而不是绝对阈值，如“高于 45 度的天气”。他们还建议明确检查沿海地区的覆盖缺口，并以考虑风和温度自然变率的方式来报告误差。通过理解这些局限性，科学家和预报员可以更好地解读过去的数字地图，确保下一代天气预测能够立足于这个复杂世界的现实。