不确定性感知的端到端AI天气预报: 分辨观测与模型的贡献

摘要

端到端天气预报系统直接从原始观测生成全球格点和站点预报，以极小成本替代包括资料同化在内的数值天气预报流程，但为确定性系统、不给出不确定性。本文将Aardvark Weather模型概率化：观测编码器加入学习到的输入相关噪声，刻画观测系统的偶然不确定性；处理器采用蒙特卡洛dropout，刻画学习动力学的认知不确定性。嵌套集合用全方差定律把预报离散度归因于这两类来源，并用剔除观测流交叉验证。概率性微调使平均预报改进4.2%；集合在中期范围对ERA5校准（spread-skill ratio 0.98），站点RMSE保持在确定性模型2.4%以内，各时效CRPS均更优，但落后于ECMWF业务集合。编码器分支表现为观测驱动的不确定性，组件归因使端到端预报更透明。