准确预测热带气旋路径与强度对于早期预警和防灾备灾至关重要。本研究中,香港理工大学倪一清教授团队评估了2018年西北太平洋地区热带气旋路径与强度的预报技巧,通过将基于物理的天气研究与预报(WRF)模型(其初始边界条件由五个基于深度学习的全球模型提供)的模拟结果进行对比。这些混合配置——WRF-FengWu、WRF-FourCastNetV2、WRF-FuXi、WRF-GraphCast和WRF-Pangu(统称为DLWRF)——与分别以综合预报系统(WRF-IFS)和全球预报系统(WRF-GFS)为初始场的WRF设置进行了比较。平均而言,DLWRF模型在路径预测上优于基准模型,在72小时、120小时和168小时预报时效内,其位置误差相比WRF-IFS分别降低了5.8%、17.9%和41.9%,相比WRF-GFS则分别降低了41.7%、36.8%和55.5%。此外,在这些预报时效内,DLWRF模型的平均最大风速预测性能与WRF-IFS和WRF-GFS相当,而在120小时和168小时预报时效内,其最低中心气压预测误差分别比WRF-IFS低7.4%和16.9%,比WRF-GFS低17.1%和10.0%。基于6至168小时预报时效汇总的总体平均误差,WRF-FuXi和WRF-Pangu在DLWRF模型中表现更优。WRF-FuXi和WRF-Pangu实现了比WRF-IFS和WRF-GFS更准确的路径预测,且强度精度相当。路径与强度预测误差之间存在正的时间滞后相关性。DLWRF模型在预测环境环流和气旋结构方面也表现出稳健的技巧。这些发现凸显了DLWRF模型在提升热带气旋预测能力方面相对于传统方法的潜力。

研究成果以“Evaluating deep learning-integrated physics-based models for tropical cyclone track and intensity predictions”为题发表于旗舰期刊POF。本文第一作者:香港理工大学Yuan-Jiang Zeng热带气旋的危害性:TC是极具破坏力的自然灾害,准确预测其路径和强度对防灾减灾至关重要。传统方法的局限性:传统的数值天气预报(NWP)模型(如WRF)依赖于全球模型(如IFS、GFS)提供边界条件,尽管不断改进,但仍存在预测精度不足的问题,尤其在强度预测方面。深度学习的兴起:近年来,基于DL的全球天气预报模型(如Pangu-Weather、GraphCast等)在路径预测上表现出色,但在强度预测上存在明显不足(如低估强度、结构模糊等)。混合模型的潜力:已有研究表明,将DL模型与物理模型结合(DLWRF)可能在保持路径预测优势的同时提升强度预测能力,但缺乏系统性评估。本研究构建了DLWRF混合模型框架,将五种DL模型与WRF物理模型结合:DL模型:FengWu、FourCastNetV2、FuXi、GraphCast、Pangu-Weather,均基于ERA5数据训练。使用谱格点松弛技术(Spectral Nudging)保持大尺度流动一致性采用标准物理参数化方案(如WSM6微物理、YSU边界层等)DL模型预测全球气象场 → 作为WRF的初始和边界条件对比基准:WRF-IFS(欧洲中心)、WRF-GFS(美国国家环境预测中心)纯DL模型强度预测不足:如Pangu-Weather等在强度预测上存在低估、结构模糊等问题。传统NWP模型路径预测精度有限:IFS、GFS在长时效路径预测中误差较大。缺乏对DLWRF模型的系统性评估:已有研究多集中于单一DL模型,缺乏横向对比与综合分析。路径与强度预测之间的关联性尚未充分探索:本文通过时间滞后相关分析,初步揭示了两者之间的关系。DLWRF模型在多数时效下与WRF-IFS/GFS表现相当,甚至在某些时效(如120h、168h)更优。在中心最低气压预测中,DLWRF平均误差比WRF-IFS低7.4% / 16.9%,比WRF-GFS低17.1% / 10.0%。DLWRF能较好地再现850hPa位势高度场和环境环流在涡旋结构(如最大风速半径、眼墙结构)上与SAR观测高度一致,优于纯DL模型发现路径误差与强度误差之间存在正相关,且路径误差通常领先强度误差,表明路径精度对后续强度预测有影响。首次系统性评估多种DL模型与WRF结合的混合模型,涵盖五种主流DL模型,填补了该领域的空白。提出并验证了DLWRF框架在路径与强度预测中的双重优势:既能继承DL的路径预测优势,又能通过物理模型弥补强度预测短板。引入谱格点松弛技术,确保大尺度流动一致性,增强模型稳定性与预测精度。揭示路径与强度误差的时间滞后相关性,为理解TC演化机制和优化模型设计提供新视角。使用多源观测数据(CMA、IBTrACS、SAR)进行多维度验证,增强结果的可靠性与实用性。图1:DLWRF 框架概览。


图3:风速预测偏差(左)与气压预测偏差(右)的小提琴图:(a)和(b)为全球模型,(c)和(d)为WRF模型。

本研究的结论部分指出,将五种深度学习全球模型与物理WRF模型相结合的混合框架(DLWRF),在热带气旋路径预测上显著超越了传统数值模型WRF-IFS和WRF-GFS,同时在强度预测方面也表现相当甚至更优;其中,WRF-FuXi和WRF-Pangu在综合表现上最为突出。研究通过时间滞后相关分析发现,路径预测误差与后续的强度预测误差之间存在显著的正相关关系,表明更精确的路径预测有助于提升强度预报能力。此外,DLWRF模型在再现大尺度环境环流和台风涡旋结构方面也展现出强劲潜力,其预测结果与SAR观测数据高度一致。尽管DLWRF模型并非在所有案例中都优于传统方法,但整体而言,它们为提升热带气旋预报精度提供了有效的替代方案,并为早期预警系统提供了新的技术支持。