通过数据扩展突破高分辨率天气预报的极限

摘要

基于机器学习（ML）的0.1°全球天气预报模型受限于高分辨率数据不足，因为数十年的再分析资料仅有0.25°分辨率。现有方法在有限的0.1°样本上微调0.25°预报模型，但研究表明，粗分辨率预报存在不可逆的信息损失，阻碍了这种迁移。为此作者提出BaguanHR框架，将重点从模型迁移转向数据迁移，利用逐变量超分辨率（SR）从ERA5合成大量0.1°数据。在合成加真实数据集上，BaguanHR优于ML方法和IFS-HRES，在72小时内超过85%的预报时效上表现更佳。数据量翻倍可使72小时和120小时预报RMSE分别降低4.6%和4.9%，显示高分辨率ML预报扩展主要受数据瓶颈制约。