摘要：Mu, M., B. Qin, and G. K. Dai, 2025: Predictability study of weather and climate events related to artificial intelligence models.

Current Issue

Table of Content

Volume 42 · Issue 1 · Pages 1-247

Perspectives

Predictability Study of Weather and Climate Events Related to Artificial Intelligence Models

Mu, M., B. Qin, and G. K. Dai, 2025: Predictability study of weather and climate events related to artificial intelligence models. Adv. Atmos. Sci., 42(1), 1−8, https://doi.org/10.1007/s00376-024-4372-7.

图1 大气科学中的认知-观测-建模研究范式

摘要: 天气与气候事件的可预报性研究聚焦于厘清产生预报误差的原因和机制, 进而给出减小预报不确定性的方法和途径, 这不仅有助于改进观测和预报系统, 还能深化对天气和气候现象的理解. 在过去数十年里, 动力数值模式一直是天气气候事件可预报性研究的主要工具, 至今已取得重大进展. 在大数据时代, 伴随人工智能(AI)技术的涌现发展与海量气象数据的不断积累, 基于数据驱动方法的天气与气候建模和预报正成为一大趋势, FourCastNet、Pangu-Weather和GraphCast是其中成功的先驱. 在这篇观点文章中, 作者建议不仅要将AI模型用于预报, 更应充分利用AI模型的高效率和自带优化模块的优势, 将其应用于天气气候可预报性问题研究中. 为此, 作者首先指出, AI模型应具备精细的时空分辨率和对天气气候事件的高模拟能力, 以保障其可被用于两类可预报性问题研究中. 具备与动力数值模式模拟能力相当的AI模型可被认为以数据驱动的方式提供出偏微分方程的数值解. 然后, 作者明确了若干关键的可预报性科学问题, 并将其转化为具体的非线性优化问题. 这些问题可通过AI模型高效求解, 对提高天气与气候事件的预报技巧具有重要的科学价值. 此外, 作者主张推动AI模型融入“认知-观测-建模”的研究范式中. 在该范式中, 在AI模型中开展天气气候事件的可预报性研究不仅能够驱动“大数据”向“大且更好的数据”转型, 还能促进“AI for forecasts”向“AI for Science”跨越, 进一步推动大气和海洋科学的发展.

关键词: 可预报性, 人工智能模型, 模拟和预报, 非线性优化, 认知-观测-建模研究范式

【封面故事】特邀观点|穆穆团队：有关AI模型的天气气候可预报性问题研究

Original Paper

TianXing: A Linear Complexity Transformer Model with Explicit Attention Decay for Global Weather Forecasting

Yuan, S. J., G. S. Wang, B. Mu, and F. F. Zhou, 2025: TianXing: A linear complexity transformer model with explicit attention decay for global weather forecasting. Adv. Atmos. Sci., 42(1), 9−25, https://doi.org/10.1007/s00376-024-3313-9.

图1 天行模型结构示意图

摘要: 在本文中, 我们提出了一种名为“天行”(TianXing)的数据驱动的天气预报模型. 该模型基于Transformer架构, 结合了物理增强设计, 以实现高效且精准的全球天气预报. 近年来, 类似的基于Transformer的模型, 如盘古、风乌和伏羲, 已逐渐成为数值天气预报的有力替代方案. 然而, 这些模型在训练过程中通常需要消耗大量计算资源, 并且在模型框架中对已知物理机制的结合相对有限. 与之相比, 天行采用了线性复杂度的注意力机制, 使得模型的计算复杂度随输入数据分辨率成线性增长, 从而大幅降低了对GPU资源的需求, 且造成的精度上的损失十分微小. 此外, 天行在其线性注意力机制中还引入了物理引导的显性注意力衰减机制, 进一步提升了预报能力. 该机制可以根据特征在地球表面的球面距离和学习到的稀疏多变量耦合关系, 重新调整注意力权重, 从而使天行模型提取特征时更关注邻近的和物理相关的特征. 为了提高中期预报的性能, 天行模型还采用了堆叠自回归预测算法进行训练. 我们先在分辨率为5.625°的ERA5再分析数据上验证了模型架构的有效性, 然后基于0.25°的高分辨率数据集进行模型的训练. 模型预报技巧表明, 天行在统计指标如纬度加权RMSE和ACC中展现了明显优势, 尤其是在Z500(位势高度)和T850(温度)等大气变量上表现优异, 超越了以往的数据驱动模型以及高分辨率业务预报模式NCEP GFS和ECMWF IFS. 此外,天行模型在台风等极端天气事件的预测中也表现出色.

关键词: 天气预报, 深度学习, 物理增强, 线性注意力

Improving the Seasonal Forecast of Summer Precipitation in Southeastern China Using a CycleGAN-based Deep Learning Bias Correction Method

Yang, S., F. H. Ling, J.-J. Luo, and L. Bai, 2025: Improving the seasonal forecast of summer precipitation in Southeastern China using a CycleGAN-based deep learning bias correction method. Adv. Atmos. Sci., 42(1), 26−35, https://doi.org/10.1007/s00376-024-4003-3.

图S1 循环一致性生成对抗网络（CycleGAN）的基本框架

摘要: 准确的季节性降水预测, 尤其是极端事件的预测, 对于预防气象灾害及其对国家发展、社会活动和安全可能产生的影响至关重要. 然而, 对于许多现有的动力模式而言, 夏季降水的强度往往被大幅低估. 本研究采用一种名为循环一致性生成对抗网络(CycleGAN)的深度学习方法, 用于改进南京信息工程大学气候预测系统(NUIST-CFS 1.0)对中国东南部6至8月的季节性降水预测. 研究结果表明, 与传统的分位数映射(QM)方法相比, 基于CycleGAN的模型显著提高了夏季降水时空分布预测的准确性. 使用非配对的误差订正模型, 还有助于我们在极端降水事件的频率、强度和持续时间等方面取得远超动力模式的预测效果. 本研究扩展了深度学习模型在改进季节性降水预测方面的潜在应用.

关键词: 误差订正, 循环一致性生成对抗网络, 分位数映射, 南京信息工程大学气候预测系统, 极端降水

A Machine Learning-Based Observational Constraint Correction Method for Seasonal Precipitation Prediction

Zhang, B. F., H. P. Yu, Z. Y. Hu, P. Yue, Z. Y. Tang, H. Y. Luo, G. T. Wang, and S. L. Cheng, 2025: A machine learning-based observational constraint correction method for seasonal precipitation prediction. Adv. Atmos. Sci., 42(1), 36−52, https://doi.org/10.1007/s00376-024-4191-x.

图1 LightGBM方法技术路线。上半部分是LightGBM模型的训练阶段，其中X0表示预测因子，Y表示观测数据。下半部分为预测阶段。BCC-CSM经过插值处理后的预报数据X1被用来作为预报因子，通过训练阶段学习到的非线性回归关系F，计算获得 F(X1)，即预测的结果。

摘要: 季节降水是气候预测的重点和难点. 现有动力-统计相结合的观测约束订正方法通过建立动力模式数据和站点观测资料之间的线性回归关系, 能够在一定程度上预测季节降水. 然而, 使用线性回归算法解决非线性问题会存在显著偏差. 本研究基于BCC-CSM模式数据和站点观测资料, 使用机器学习模型Light Gradient Boosting Machine (LightGBM) 对现有的线性观测约束订正模型进行非线性优化, 改进中国夏季降水预测效果. 模型的训练使用滚动方式进行, 效果对比表明LightGBM模型的表现优于线性回归模型(LR), Extreme Gradient Boosting(XGBoost)和Categorical Boosting (CatBoost). 经过对机器学习模型参数调优, 利用BCC-CSM模式中8个不同预报因子预测未来夏季降水, 2019-2022年夏季降水预测的距平相关系数(ACC)平均值为0.17, 预测评分(PS)平均值达到74. 其中PS相较于 BCC-CSM和线性观测约束方法分别提高了7.87%和6.63%. 与现有的线性观测约束方案相比, 采用LightGBM的观测约束订正预测显著且稳定地提高了中国夏季降水的预测技巧, 为中国夏季防汛抗旱提供了参考.

关键词: 观测约束, LightGBM, 季节预测, 夏季降水, 机器学习

Unsupervised meteorological Downscaling Based on Dual Learning and Subgrid-scale Auxiliary Information

Hu, J., J. L. Mu, X. M. Huang, and X. Wu, 2025: Unsupervised meteorological downscaling based on dual learning and subgrid-scale auxiliary information. Adv. Atmos. Sci., 42(1), 53−66, https://doi.org/10.1007/s00376-024-3336-2.

图1 DualDS的结构图。图中的黑框表示每次训练迭代所采用的随机LR图像块，红框表示LR图像块对应的辅助图像块。“ Assist data”是亚网格尺度的辅助信息。AUP是带有辅助数据约束的上采样器，GDN是用于生成假LR图像块的下采样器，DDN是用于识别LR图像块真假的鉴别器。结构图的左侧部分表示后向循环过程，右侧部分表示前向循环过程。

摘要: 气象降尺度能够将大尺度气象数据转换为具有丰富细节信息的小尺度数据, 广泛应用于气候模拟、数值天气预报和可再生能源等领域. 尽管基于深度学习的降尺度方法能够有效捕捉气象数据在不同尺度之间的复杂非线性映射, 基于监督学习的深度学习降尺度方法在实践中却面临着高分辨率数据不足的困境, 而无监督方法则由于小尺度的不确定性, 难以从有限的大尺度输入中准确推断出小尺度细节. 本文提出了一种对偶学习框架DualDS, 利用基于生成对抗网络的神经网络和亚网格尺度的辅助信息进行气象降尺度. 该方法通过上、下采样器组成一个双向的网络框架,其中下采样器用于模拟升尺度过程中的信息丢失过程, 上采样器用于重建丢失的细节并纠正升尺度过程中产生的误差. 这种对偶学习策略可以在训练过程中消除对高分辨率真值数据的依赖, 并通过约束映射过程来优化降尺度结果. 实验结果表明, DualDS在定性和定量上都可以与几种最先进的深度学习降尺度方法相媲美. 具体而言, 在单一地表温度数据降尺度任务中, 我们的方法与其他使用相同数据集的无监督算法相比, 峰值信噪比提高了0.469 dB, 结构相似性提高了0.017,RMSE降低了0.08, 并且相关系数表现最佳. 综上所述, 本文提出了一种新的方法来解决无监督降尺度过程中的小尺度不确定性问题.

关键词: 降尺度无监督, 深度学习, 对偶学习, 辅助信息

A Generative Adversarial Network with an Attention Spatiotemporal Mechanism for Tropical Cyclone Forecasts

Li, X. H., X. H. Han, J. S. Yang, J. K. Wang, G. Q. Han, J. Ding, H. Shen, and J. Yan, 2025: A generative adversarial network with an attention spatiotemporal mechanism for tropical cyclone forecasts. Adv. Atmos. Sci., 42(1), 67−78, https://doi.org/10.1007/s00376-024-3243-6.

摘要: 热带气旋是复杂而强大的天气系统, 准确预测其路径、结构和强度仍然是气象研究中的关键焦点和挑战. 本文提出了一种注意力时空预测生成对抗网络(AST-GAN)模型, 用于预测热带气旋的时空分布. 该模型在未来15小时内以每3小时为间隔预测热带气旋风速的空间分布, 重点关注气旋中心、高风速区域及其非对称结构. 为了有效捕捉不同时间步长的时空特征传递, 我们采用了通道注意力机制进行特征选择, 提升了模型性能并减少了参数冗余. 我们利用HWRF数据训练模型, 使其能够掌握大量热带气旋运动模式. 该模型可应用于多种复杂情景, 如多个热带气旋同时移动或热带气旋登陆. 与HWRF的真实数据对比, 所提出的模型在整体风速预测的均方根误差(RMSE)为0.71 m s−1, 最大风速的RMSE为2.74 m s−1, 展示了可靠的预测性能. 此外, 模型在使用ERA5再分析数据进行微调和独立测试后, 展示了其稳定性和可扩展性. 在对ERA5数据集进行微调后, 模型在风速和最大风速的RMSE分别达到1.33 m s−1 和1.75 m s−1.

关键词: 热带气旋, 时空预测, 生成对抗网络, 时空注意力机制, 深度学习

Vision Transformer for Extracting Tropical Cyclone Intensity from Satellite Images

Tian, Y., W. Zhou, P. K. Y. Cheung, and Z. C. Liu, 2025: Vision transformer for extracting tropical cyclone intensity from satellite images. Adv. Atmos. Sci., 42(1), 79−93, https://doi.org/10.1007/s00376-024-3191-1.

图1 基于视觉Transformer和卫星影像的热带气旋强度估测

摘要: 热带气旋(TC)强度估测是其监测与预报的基础. 近年来, 结合深度学习和卫星影像数据的TC强度估测算法已被广泛应用, 并取得了较高的精度. 本文基于视觉Transformer(Vision Transformer, ViT)架构, 构建了ViT-TC模型. 该模型采用包括红外(IR)、水汽(WV)和被动微波(PMW)在内的热带气旋卫星影像数据作为输入估测TC强度. 实验表明, 将IR、WV和PMW作为模型输入相较于其他的输入组合, 其估测精度更高. 而集合平均方法可以使ViT-TC模型估测结果的均方根误差和平均绝对误差分别进一步降低至9.32节和6.49节. 结果显示, ViT-TC模型的估测效果要明显优于传统方法, 且与现有的深度学习模型相当. 对模型注意力分布的分析显示, 模型对高PMW值的区域分配了较高的注意力权重, 这表明高PMW值是TC强度估测的关键信号. 同时. 模型对云层覆盖区域分配了高注意力权重, 表明其通过从卫星影像数据提取TC云系和眼区来判定TC强弱.

关键词: 视觉Transformer, 热带气旋, 强度估测, 深度学习

Joint Retrieval of PM2.5 Concentration and Aerosol Optical Depth over China Using Multi-Task Learning on FY-4A AGRI

Li, B., D. S. Fu, L. Yang, X. H. Fan, D. Z. Yang, H. R. Shi, and X.-A. Xia, 2025: Joint retrieval of PM2.5 concentration and aerosol optical depth over China using multi-task learning on FY-4A AGRI. Adv. Atmos. Sci., 42(1), 94−110, https://doi.org/10.1007/s00376-024-3222-y.

图4 MTL模型构架。共享层（左）和特定层（右）均为全连接（FC）。共享层采用硬参数共享，特定层则采用软参数共享。

摘要: 气溶胶光学厚度(AOD)和直径小于等于2.5 µm的细颗粒物(PM2.5)在空气质量、人类健康和气候变化中扮演着重要角色. 然而,AOD与PM2.5之间复杂的相关性及现有反演算法的局限性,使得在同一地点精确反演这两个参数面临巨大挑战. 为应对这一问题, 本文提出了一种基于多任务学习(MTL)的模型, 旨在实现PM2.5浓度与AOD的联合反演. 该模型应用于风云四号A星先进静止轨道辐射成像仪(FY-4A AGRI)获取的大气顶部反射率数据, 并与两种单任务学习模型——随机森林(RF)和深度神经网络(DNN)——进行了对比. 具体而言,MTL在AOD反演中的决定系数(R2)为0.88, 均方根误差(RMSE)为0.10. 与RF相比,R2增加了0.04,RMSE减少了0.02, 反演结果在预期误差范围内的百分比(Within-EE)增加了5.55%. MTL对PM2.5的R2和RMSE分别为0.84和13.76 µg m−3. 与RF相比,R2增加了0.06,RMSE减少了4.55 µg m−3, Within-EE 增加了7.28%. 此外,与DNN相比,MTL在AOD 反演中的R2增加了0.01, RMSE减少了0.02, Within-EE 相应增加了2.89%. 对于PM2.5的反演,MTL的R2增加了0.05, RMSE减少了1.76 µg m−3, Within-EE增加了 6.83%. 评估结果表明, MTL模型能够同时提升AOD和PM2.5反演的准确性, 尤其在高效捕捉两者空间分布方面表现出显著优势.

关键词: AOD, PM2.5, FY-4A, 多任务学习, 联合反演

Short-Term Rolling Prediction of Tropical Cyclone Intensity Based on Multi-Task Learning with Fusion of Deviation-Angle Variance and Satellite Imagery

Tian, W., P. Song, Y. Y. Chen, Y. H. Zhang, L. G. Wu, H. K. Zhao, K. T. C. Lim Kam Sian, and C. Y. Xiang, 2025: Short-Term rolling prediction of tropical cyclone intensity based on multi-task learning with fusion of deviation-angle variance and satellite imagery. Adv. Atmos. Sci., 42(1), 111−128, https://doi.org/10.1007/s00376-024-3301-0.

摘要: 热带气旋(TC)是最严重的自然灾害之一, 准确的热带气旋活动预测是预防和减轻灾害的关键. 近年来, 热带气旋轨迹预测取得重大进展, 但强度预测能力明显滞后. 目前, 热带气旋强度预测的研究以大气再分析数据为研究对象, 通过深层学习挖掘热带气旋相关环境因素与强度之间的关系. 然而, 再分析数据在本质上是非实时的, 难以满足业务预报应用需求. 强对流云团对称化程度和对流强度, 将偏角方差与卫星图像融合来构建热带气旋对流结构与强度的相关性. 针对热带气旋复杂的动态过程, 本文使用卷积神经网络(CNN)学习其时序特征和空间特征. 在实时强度估计这一主任务下, 多任务学习起到隐式时序增强作用. 模型设计了滚动策略, 旨在缓解长期依赖衰减问题, 提升短期强度预测的精度. 考虑到多个任务之间的相关性, 对12小时和24小时的损失函数进行了修正. 在西北太平洋TC样本上的实验结果表明, TC-Rolling模型在6小时、12小时和24小时强度预测上的均方根误差(RMSE)分别为4.48 kt、5.78 kt和13.94 kt. 通过与官方机构的TC记录对比, 验证了该模型的有效性.

关键词: 热带气旋, 强度, 结构, 滚动预测, 多任务

Regional Storm Surge Forecast Method Based on a Neural Network and the Coupled ADCIRC-SWAN Model

Sun, Y., P. Hu, S. Q. Li, D. X. Mo, and Y. J. Hou, 2025: Regional storm surge forecast method based on a neural network and the coupled ADCIRC-SWAN model. Adv. Atmos. Sci., 42(1), 129−145, https://doi.org/10.1007/s00376-024-3306-8.

图3 神经网络架构(以ΔT输入时间间隔为例)。蓝色框代表多通道特征图，通道数在框上方标注，特征图的尺寸由框左下角的数字表示，自色框代表复制的特征图。不同颜色的前头代表不同的操作。

摘要: 及时准确的风暴潮预测可以有效防止台风风暴潮在沿海地区造成巨大的经济损失和人员伤亡. 目前, 数值模型预测消耗资源过多, 计算时间过长, 而神经网络预测缺乏区域数据来训练区域预测模型. 本研究使用DUAL风模型构建台风风场, 并使用耦合的Advanced Circulation–Simulating Waves Nearshore (ADCIRC-SWAN)模型构建了南海北部75个过程的台风数据库. 然后, 使用台风数据库训练了具有Res-U-Net结构的神经网络, 以预测验证数据集中的台风过程, 并在珠江口地区取得了出色的风暴潮预测效果. 通过添加分支结构和迁移学习, 提高了强台风风暴潮预测的效果.

关键词: 区域风暴潮预报, ADCIRC-SWAN耦合模式, 神经网络, Res-U-Net网络结构

TGNet: Intelligent Identification of Thunderstorm Wind Gusts Using Multimodal Fusion

Zhang, X. W., Y. G. Zheng, H. D. Zhang, J. Sheng, B. J. Lu, and S. Feng, 2025: TGNet: Intelligent identification of thunderstorm wind gusts using multimodal fusion. Adv. Atmos. Sci., 42(1), 146−164, https://doi.org/10.1007/s00376-024-3308-6.

图1 雪暴大风智能识别模型（TGNet）结构图

摘要: 雷暴大风突发性强、尺度小, 通常发生在几公里的区域范围内. 仅依靠自动气象站观测难以实现雷暴大风精细化监测和预报. 因此需要利用多种高时空分辨率的观测资料进行雷暴大风识别. 本文利用多模态深度特征融合技术, 提出了一种新型雷暴大风智能识别算法(TGNet). 首先采用形状变换(ST)提取自动气象站的风速时序特性, 提高区分雷暴大风和冷空气大风的能力. 然后基于循环残差U型网络(R2U-Net)提取卫星、雷达、闪电等多源观测的空间对流特征. 最后基于多头交叉注意力构建的多模态深度融合模块, 将站点风速时序特征融入对应的格点信息中, 实现了分钟级雷暴大风网格点识别算法. 实验结果表明, TGNet模型具有更高的识别准确性, 关键成功指数(CSI)达到0.77. 与U-Net和R2U-Net相比虚警率分别降低了31.28%和24.15%. 算法输出逐10分钟0.01°×0.01°分辨率的雷暴大风网格产品, 能够为气象预报员发布雷暴大风预警提供更精细、更精确的网格监测产品.

关键词: 雷暴大风, 形状变换, 多模态深度特征融合

Physically Constrained Adaptive Deep Learning for Ocean Vertical-Mixing Parameterization

Fang, J. J., X. J. Li, J. Li, Z. N. Huang, Y. Q. Yu, X. M. Huang, and X. Wu, 2025: Physically constrained adaptive deep learning for ocean vertical-mixing parameterization. Adv. Atmos. Sci., 42(1), 165−177, https://doi.org/10.1007/s00376-024-3246-3.

摘要: 现有的传统海洋垂直混合方案是根据经验制定的, 对其中涉及的物理过程缺乏透彻的了解, 导致参数化和预报结果之间存在差异. 海洋混合参数化的不确定性是造成海洋模式偏差的主要原因. 利用深度学习技术, 我们以Inception模块为基线, 设计了自适应全连接模块, 最大限度地减少偏差. 它通过不同宽度的全连接层自适应地提取最佳特征, 更好地学习输入变量和参数化场之间的非线性关系. 此外, 为了获得更精确的结果, 我们采用了 KPP(K-Profile Parameterization)和 PP(Pacanowski-Philander)方案作为物理约束, 使网络参数化过程更加遵循基本物理规律. 由于模型数据是根据人类经验计算得出的, 缺少一些未知的物理过程, 可能与实际数据存在差异, 因此我们使用了热带太平洋长达十年的水文和湍流观测时间记录作为训练数据. 结合物理约束和非线性激活函数, 我们的方法可以捕捉其非线性变化, 更好地适应海洋混合参数化过程. 物理约束的使用可以改善最终结果.

关键词: 深度学习, 垂直混合参数化, 海洋科学, 自适应网络

How Do Deep Learning Forecasting Models Perform for Surface Variables in the South China Sea Compared to Operational Oceanography Forecasting Systems?

Zu, Z. Q., and Coauthors, 2025: How do deep learning forecasting models perform for surface variables in the South China Sea compared to operational oceanography forecasting systems? Adv. Atmos. Sci., 42(1), 178−189, https://doi.org/10.1007/s00376-024-3264-1.

图1 相对于Class4参考数据，四个变量的总均方根误差，对极端事件的偏差，PSY4和DLM预报误差的水平分布。图中PSY4和CGOFS分别为法国Mercator Ocean Intermationa1和中国国家海洋环境预报中心的业务化海洋学预报系统，DLM为本文发展的深度学习预报模型。

摘要: 客观地评估和比较深度学习预报模型(DLM)与业务化海洋学预报系统(OFS)的预报技巧是一个基础且重要的问题. 然而, 鲜有研究使用相同的参考数据来比较它们的预报误差. 本研究针对南海海表温度(SST)、海表高度异常(SLA)和海表流场, 发展了三个物理合理的DLM, 然后采用测试集和“OceanPredict”预报系统间比较与验证工作组第四类数据(Class 4)评估了三个DLM的预报技巧, 并与OFS进行了横向比较. 结果显示, 分别采用测试集和Class 4数据集作为参考数据, DLM在后者上的均方根误差分别增加了44%(SST)、245% (SLA)、302%(流速)和109%(流向). 这说明不同的参考数据对评估结果存在显著影响, 使用相同且独立的参考数据比较DLM和OFS是必要的. 相对于Class 4数据集, DLM对SLA的预报技巧显著优于OFS, 而对其他变量的技巧略高于OFS. DLM和OFS预报误差的空间分布存在一定的相似性, 这可从可预报性的角度加以解释. 对极端事件而言, SLA和流速的预报均存在较大的预报误差, 但DLM和OFS并不存在显著的差别; 对SST和流向预报, DLM的误差可能更大. 本文对DLM的评估结果, 可为DLM的应用提供参考, 同时本文也为不同DLM之间的横向比较提供了一个参考范例.

关键词: 预报误差, 深度学习预报模型, 业务化海洋学预报系统, 检验, 横向比较

Identifying Three Shapes of Potential Vorticity Streamers Using Mask R-CNN

Hao, L. Q., Z. W. Xie, Y. F. Gong, and J. F. Yin, 2025: Identifying three shapes of potential vorticity streamers using Mask R-CNN. Adv. Atmos. Sci., 42(1), 190−203, https://doi.org/10.1007/s00376-024-3266-z.

图1 2-PVU面的位温(等值线，单位:K)及其异常(填色)和水平风场异常(箭头:m s-1)合成场，(a)-(c)分别为普通、钩状和音符状位涡条带，打点为合成异常在95%置信度，红色五角星位条带中心。(d)-(f)和(g)-(i)同(a)-(c)，但分别为500 hPa和 850 hPa位势高度(等值线，单位:gpm)及其异常(填色)合成场。

摘要: 位涡条带是高位涡向南侵入所形成的狭长带状结构, 通常表现出三种不同的形状, 分别是东北–西南倾斜的普通条状、钩状和音符状位. 位涡条带频繁出现于中高纬度干旱半干旱的中亚地区, 对天气产生重要的影响. 本文利用Mask R-CNN对2000–2004年暖季 (5–9月) 动力对流层顶的位涡条带进行训练, 以训练出一个可识别不同形状位涡条带的权重模型. 该模型能有效地区分三种不同形态的位涡条带. 通过对2000–2021年中亚地区三种不同位涡条带的合成分析发现: 从普通位涡条带到音符状位涡条带, 其环流逐渐加深, 并呈现出越来越明显的南北反转特征. 音符状位涡条带具有位涡塔和明显的切断低压, 其相关的上升运动和降水主要集中在位涡塔以东约1200公里的范围内. 虽然钩状位涡条带与较弱的切断低压相关联, 但其相关上升运动和降水的范围几乎是音符状位涡条带的两倍. 相比之下, 普通位涡条带主要与对流层顶Rossby波破碎有关, 其环流较为浅薄, 导致的上升运动和降水主要分布在其以东500公里处.

关键词: Rossby波破碎, 位涡条带, Mask R-CNN, 中亚地区, 对流层顶

Subsurface Temperature and Salinity Structures Inversion Using a Stacking-Based Fusion Model from Satellite Observations in the South China Sea

Luo, C., M. Y. Huang, S. D. Guan, W. Zhao, F. B. Tian, and Y. Yang, 2025: Subsurface temperature and salinity structures inversion using a stacking-based fusion model from satellite observations in the South China Sea. Adv. Atmos. Sci., 42(1), 204−220, https://doi.org/10.1007/s00376-024-3312-x.

图1 集成融合模型反演南海上层海洋温盐结构的流程图

摘要: 海洋上层温盐三维结构及其时间变异对气候变化及海洋防灾减灾研究都具有重要意义. 然而, 对于海洋温盐结构的实时获取通常依赖于现场观测或海洋环流模式数值模拟, 难度大而且成本高. 近年来, 前人提出了利用动力学、统计学或机器学习模型通过海面信息来反演月平均海洋温盐结构, 但关于实时海洋温盐结构的反演研究相对匮乏. 本文利用卫星遥感和Argo数据, 运用聚类算法对数据进行分簇, 然后采用Stacking策略对三个模型(XGBoost、Random Forest和LightGBM)进行集成, 最后通过温盐融合来实时反演南海上层海洋温盐结构. 在验证数据集上反演的温(盐)度结构平均相关性系数(Corr)为0.919(0.83), 平均均方根误差(RMSE)为0.639°C(0.087 psu), 平均决定系数为(R2)0.84(0.68). 特别是在基础模型误差最大的温跃层, 集成融合模型表现出最大的性能提升, 其中最大提升超过了10%. 此外, 在中尺度涡背景下, 反演的上层海洋温盐结构与HYCOM再分细数据和BOA_Argo观测数据集也展现出了良好一致性. 本文提出的模型能有效地实时反演南海上层海洋温盐结构, 有利于加深对南海多尺度海洋动力过程的理解和研究.

关键词: 上层海洋温盐结构, 聚类算法, 集成策略, 温盐融合, 南海

AI-based Correction of Wave Forecasts Using the Transformer-enhanced UNet Model

Cao, Y. Z., S. W. Zhang, G. N. Lv, M. C. Yu, and Bo Ai, 2025: AI-based correction of wave forecasts using the transformer-enhanced UNet model. Adv. Atmos. Sci., 42(1), 221−231, https://doi.org/10.1007/s00376-024-3319-3.

图1 TransUNet模型

摘要: 网格化预报能有效提高预报产品的时空密度, 提升短时临近海洋灾害预报预警能力, 依靠预报员主观站点订正的传统方式已经无法满足精细化预报的实际需要. 针对这一问题, 本文提出了一种基于Transformer改进的UNet融合风浪信息的海浪预报智能订正模型TransUNet. 在传统UNet模型的编码器中引入Transformer结构, 解码器中使用双采样模块代替传统的上采样来提高特征提取能力. 本文采用了欧洲中期天气预报中心(ECMWF)提供的风速、浪高预报数据和有效波高再分析数据, 与传统UNet模型进行了对比实验. 实验结果表明: TransUNet模型对未来24小时预报订正结果的均方根误差、平均误差、标准差均小于UNet模型, 其中相对于订正前均方根误差减小了21.55%以上. 经统计分析, 对未来24小时预报订正后的浪高误差有87.81%小于±0.2m, 而仅有4.56%在±0.3m以外, 有效抑制了误差上限, 提高了海浪预报能力.

关键词: TransUNet, Transformer, 海浪预报, 偏差订正

Convolutional Graph Neural Network with Novel Loss Strategies for Daily Temperature and Precipitation Statistical Downscaling over South China

Yan, W. J., and Coauthors, 2025: Convolutional graph neural network with novel loss strategies for daily temperature and precipitation statistical downscaling over South China. Adv. Atmos. Sci., 42(1), 232−247, https://doi.org/10.1007/s00376-024-3347-z.

摘要: 传统的气象降尺度方法在处理具有复杂分布的气象问题, 尤其是极端天气事件时, 往往存在预测不稳定性. 为了解决上述问题, 作者提出了一种基于卷积图神经网络(CGNN)的模型, 并通过多层特征融合和压缩-激励模块对其进行优化. CGNN能够从全局视角提取并聚合关键的空间特征, 从而提升模型的预测精度和泛化能力. 此外, 作者还引入了一种空间平衡均方误差(SBMSE)损失函数, 以更好地处理气象变量分布不均衡和空间变异性的问题. 实验结果表明, CGNN在偏差分布方面表现出较小的方差, 具有更好的稳定性. 在降水预测方面, UNet和自编码器(AutoEncde, AE)也显示出相对较小的偏差. 对于温度, AE和CNNdense在冬季降水方面表现出更好的预测能力. 与传统方法相比, 时间相关系数在日尺度和月尺度上, 无论是温度还是降水的预测精度都提高了至少10%. SBMSE损失函数在预测第98百分位数和识别极端事件发生区域方面表现出色, 但存在高估极端降水量值的倾向, 这可能与对数据后验分布的理论假设部分限制了损失函数的有效性有关. 作者准备在未来的工作中进一步优化SBMSE以提高预测精度.

关键词: 统计降尺度, 卷积图神经网络, 特征融合, SBMSE损失函数

来源：科创中国