浅谈AI天气预报模型中的误差累积

文章预览

近两年涌现的AI天气预报，如盘古、风乌、伏羲，及国外的GraphCast，FourCastNet等，无不采用了同一种预报天气的方式，即“自回归”： 将大气的初始场（包括数个地表变量，和多个等压面上的数个高空变量）输入模型，预报下一时次（通常为数小时后）的天气。继而将模型预报作为输入，预报再下一时次的天气，从而将模型的预报时间延展到中期。 理论上，一个模型在“预报下一时次”的问题上做到最好，代表它通过第一步迭代提供了最接近观测的预报，从而为第二步提供了最准确的输入。以此推广，它应当在后继的预报中维持这种优势，从而在“预报多个时次”的问题上也做到最好。但实践证明，这种推测并不成立。各模型均需要针对长时间的预报进行特别的“微调”训练，从而避免误差在不断自回归迭代的过程中累积增长的问题。 这里总结下 ………………………………