类型a：原创研究学术报告

伏羲（Fuxi）：15天全球天气预报的级联机器学习预测系统

作者及机构
该研究由复旦大学人工智能创新与孵化研究所的陈磊（Lei Chen）、钟晓辉（Xiaohui Zhong）、张峰（Feng Zhang）、程远（Yuan Cheng）、徐英辉（Yinghui Xu）、齐元（Yuan Qi✉）和李浩（Hao Li✉）等人合作完成，并于2023年发表在期刊npj Climate and Atmospheric Science上。

学术背景
传统基于物理过程的数值天气预报（Numerical Weather Prediction, NWP）模型虽广泛应用于全球天气预报，但其计算成本高昂，且随着预报时效延长，误差累积问题显著。近年来，机器学习（Machine Learning, ML）模型在天气预报领域取得突破，例如在10天预报中超越了欧洲中期天气预报中心（ECMWF）的高分辨率确定性预报（HRES）。然而，ML模型在更长时效（如15天）的预报中仍面临误差累积的挑战。研究团队提出伏羲（Fuxi）系统，旨在通过级联ML架构减少误差累积，实现与ECMWF集合预报（Ensemble Mean, EM）相当的15天全球预报性能。

研究流程

1. 数据准备与模型设计

   • 数据来源：研究使用ECMWF的ERA5再分析数据集，时间跨度为39年（1979-2017），空间分辨率0.25°，时间分辨率6小时，包含13个气压层的5个高空变量（如500 hPa位势高度Z500）和5个地面变量（如2米温度T2M）。
     
   • 模型架构：伏羲系统的核心是U-Transformer，结合了Swin Transformer V2的注意力机制与U-Net的下采样-上采样结构。其创新点包括：
     
     • 立方体嵌入（Cube Embedding）：通过3D卷积降低数据维度，提升计算效率。
       
     • 级联模型（Cascade Model）：分为三个子模型——Fuxi-Short（0-5天）、Fuxi-Medium（5-10天）和Fuxi-Long（10-15天），分别优化不同时效的预报性能。
       

2. 训练与优化

   • 预训练：使用纬度加权L1损失函数，单步预测优化。
     
   • 微调：采用课程学习（Curriculum Learning）策略，逐步增加自回归步数（2至12步），以减少误差累积。
     
   • 计算资源：在8块NVIDIA A100 GPU上训练，耗时约30小时（预训练）和2天（微调）。
     

3. 集成预报开发

   • 通过扰动初始条件（Perlin噪声）和模型参数（蒙特卡洛 dropout），生成50成员的集合预报，以量化不确定性。
     

主要结果

1. 确定性预报性能

   • 在15天预报中，伏羲的Z500和T2M的有效预报时效（ACC > 0.6）分别延长至10.5天和14.5天，优于ECMWF HRES（9.25天和10天）。
     
   • 空间误差分析显示，伏羲在高纬度地区的误差显著低于HRES，且与ECMWF EM性能相当（67.92%的变量组合ACC更高）。
     

2. 集合预报评估

   • 在9天预报时效内，伏羲集合的连续排名概率评分（CRPS）与ECMWF集合相当，但长时效下因扰动衰减导致离散度不足。
     

结论与价值
伏羲系统首次实现了ML模型在15天全球预报中与ECMWF集合预报的竞争性性能，其级联架构和U-Transformer设计为长时效预报的误差控制提供了新思路。科学价值在于证明了ML模型可替代传统NWP的部分功能，应用潜力包括降低计算成本、提升业务预报效率。未来方向包括改进初始扰动方法（如流依赖扰动）和拓展至次季节预报。

研究亮点
1. 级联架构：通过分阶段优化模型，显著减少长时效预报的误差累积。
2. 高性能基础模型：U-Transformer结合了Swin Transformer V2的注意力机制与U-Net的空间特征提取能力。
3. 开源与可复现性：代码和样本数据公开，推动领域合作。

其他价值
研究团队计划开发数据同化（Data Assimilation）的ML方法，以实现真正的端到端预报系统，进一步减少对NWP初始条件的依赖。