新闻动态

导读

随着数值天气预报模式的不断发展，在精细化气象领域上有很好的表现，但在降水预报上仍然是一项具有挑战性的任务。深度神经网络等人工智能方法在降水预报方面表现出色，但从中提取明确的知识难以实现，需要对人工智能模型进行有效物理约束与指导，增加其物理可解释性。在刚刚过去的2023年，来自中国气象局各直属科研业务单位、各省（区、市）气象局、相关高等院校及相关高新企业等80余家单位从事数值预报相关领域的专家学者、科研人员、业务骨干、在校师生等300余人在重庆参加全国数值预报技术交流研讨会交流活动。国家超级计算无锡中心参与汇报的“融合物理知识改进深度学习模型的降水预报能力”被评为2023年全国数值预报技术交流研讨会优秀报告。

成果简介

对流活动是降水发生发展的重要物理过程。其中，对流有效位能(CAPE) 是用来衡量对流活动的关键指标之一，在深对流参数化方案中可用于检验对流是否触发，对于对流降水的发生和发展具有较好的物理指导意义。本研究尝试考虑对流活动中关键指标对流有效位能(CAPE)在触发对流中的作用，引入CAPE的物理信息和物理约束，并提出了分析模型中物理信息的方法。加入CAPE能使得模型在触发对流上表现最好，改善了对流降水事件的预测精度。但FourCastNet仍然在大尺度降水活动中表现出过度预测的特征。为了比较CAPE在模型中的作用，对比加入CAPE前后模型触发对流条件的变化。结果表明，在强CAPE值和弱垂直风切变条件下，加入CAPE的模型缓解了对流不足的预测，从而提高了降水预报的准确性。由此表明，加入CAPE的物理约束的深度神经网络能够改善降水预报结果，改善的原因可能来自于低层风场的垂直变化和CAPE之间的关系。

图1 深度学习模型设计

图2 试验降水评分结果

图3 强弱风切变条件下结果表现

团队简介

报告的主要贡献作者为来自高性能计算研究中心气候气象部门的成员。气候气象部主要科研目标是融合高性能计算、气候气象科学与人工智能等信息技术，有力支撑和加快数值天气预报和气候预测系统的建设与研发工作。目前， 不仅承担了多项国家重点研发项目，也与国内多家行业顶尖的科研机构和公司建立了紧密的合作关系。