高技巧的数据驱动次季节土壤湿度预报：骤旱预测的前景与局限

arXiv:2610.07060v1 发布类型：新 摘要：尽管短期至中期天气预报已取得长足进展，但骤旱等高影响事件的预测，对于预警业务和基于物理的次季节至季节（S2S）预测系统而言，仍是一项关键挑战。在此，我们证明，对于欧洲地区的 S2S 土壤湿度预报而言，预报技巧在很大程度上不仅取决于预报模型本身，也取决于预测问题的表述方式。我们采用具有时间和空间双通路注意力机制的基于 Vision Transformer 的架构，结果表明，残差学习是超越持续性预报基准的关键。只有在以物理单位而非标准化异常值预报根区土壤湿度时，这一优势才能实现，这表明目标变量的表征方式本身会限制可预报性。通过对分位数预测头进行微调，进一步构建的概率扩展模型还能够提供校准良好的预测分布。以 2021—2022 年的深度学习和业务化 ECMWF S2S 基线为参照，我们的模型在所有预报时效上均取得了最高的确定性和概率预报技巧，并能可靠识别异常干燥的根区状态（低于第20百分位）。然而，按照多五日段强化标准定义的骤旱发生，仍是当前所有 S2S 系统共同面临的根本性挑战。这些发现推动了数据驱动的 S2S 土壤湿度预报发展，同时也凸显出预测干旱快速发展的持续难题。