通过全球-区域对齐学习公里尺度天气预报

arXiv:2610.12401v1 公告类型：new 摘要：公里尺度的区域天气预报对于当地天气预警和对天气敏感的决策至关重要。现有的数据驱动方法通常依赖数值预报提供大尺度指导，或需要额外训练全球预报组件。预训练的全球天气模型能够高效地产生大尺度预报，因此可重复利用这些模型来指导高分辨率区域预报。然而，这种耦合需要在不同网格之间对齐全球和区域表征，并将全球指导信息与局地交互相结合，以推进区域状态的演变。我们提出了 ScaleCast，一种通过全球-区域对齐解决这些挑战的区域预报框架。其中，Global-Regional Conversion 模块将联合的全球和区域表征与区域位置对齐，而 Global-Regional Alignment and Dynamics 模块则将对齐后的指导信息与区域邻域交互相结合。基于0.25度网格的 ERA5 全球分析资料和5.5公里间距的 CERRA 区域再分析资料进行的实验表明，该方法在地面和高空变量上均能改善区域预报；单个训练模型即可支持多个全球预报驱动模型（即 Pangu-Weather、GraphCast 和 HRES），无需针对特定模型重新训练。在3公里间距的 HRRR 数据上进行微调，进一步展示了该框架对不同区域范围和空间分辨率的适应性。风暴案例研究显示，该方法改善了气旋位置和核心气压的估计；与 HadISD 台站观测结果的比较表明，该方法对当地温度和湿度变化的刻画更加一致。