进展:整合优势以突破预报极限——融合机器学习与物理模式的热带气旋两周预报
超过5天乃至2周的热带气旋预报一直是气象界的难题,也是业务预报亟需填补的空白。这一时间跨度处于天气和次季节尺度的过渡区域,需要综合考虑不同时空尺度系统对热带气旋的影响,并丰富预报手段。热带气旋的演变与发展是路径-强度-结构协同发展的结果(Tan et al. 2022)。随着预报时效的延长,这种三角关系愈发重要。以2023年南印度洋的热带气旋Freddy为例,其看似"好报"的超长笔直路径仍让众多数值模式折戟,这不仅暴露了传统方法在热带气旋长时效预报方面的局限,还深刻揭示了路径、强度和结构三者相互影响以及误差传播对热带气旋预报准确性的显著制约(Liu et al. 2023; Liu et al. 2024)。
近年来,基于机器学习的天气大模型如盘古(Pangu-Weather)等崭露头角,在预报热带气旋路径方面已能媲美甚至超越ECMWF等先进的全球数值预报模式。然而,由于摒弃了物理规律的数据驱动方法以及缺乏小尺度大气信号的训练数据,这些大模型在改进热带气旋强度和结构预报方面收效甚微。相比之下,基于物理的传统高分辨率区域数值模式(如WRF等)凭借其精确刻画热带气旋结构的能力,成为热带气旋强度预报的重要参考。然而,如何在长时效预报中保持这种能力,以及其背后的支撑理论仍值得进一步探索。
为解决上述问题,南京大学谈哲敏院士团队将盘古大模型和WRF模式相结合,发展了一套融合机器学习与物理模式的热带气旋预报框架,首次尝试长达2周的热带气旋预报(Liu et al. 2024)。该框架利用盘古大模型的预报结果驱动高分辨率WRF模式开展热带气旋2周预报并实时调整大尺度环境场;此外,鉴于长时效预报中海洋过程的重要性,框架还耦合了简单的海洋模式以实现大气与海洋的相互作用(图1)。
与以往的机器学习修正物理模式或物理机制约束机器学习模型等结合方式不同,这一热带气旋预报框架提供了新的结合思路:平等对待机器学习模型和物理模式,充分发挥其在热带气旋预报方面的各自优势。该框架在热带气旋预报性能方面展现出巨大潜力:相比全球数值天气预报模式,其2周的平均路径和强度误差分别减少了59%和32%;相比ERA5再分析资料驱动的盘古大模型,分别减少了2%和59%;相比ERA5驱动的WRF模式,分别减少了32%和23%。
上述工作为延长热带气旋预报时效提供了新的途径,并以"A Hybrid Machine Learning/Physics-Based Modeling Framework for 2-Week Extended Prediction of Tropical Cyclones"为题发表于《Journal of Geophysical Research: Machine Learning and Computation》。文章第一作者为河海大学刘昊炎博士,通讯作者为南京大学谈哲敏院士,合作者包括夏威夷大学王玉清教授,东京大学Masaki Satoh(佐藤 正樹)教授,南京大学汤剑平教授、雷荔傈教授、顾剑峰副教授、张熠副教授,中国气象局国家气象中心聂高臻高工和南京浦蓝大气研究院陈启智博士。文章受到国家自然科学基金重大项目"台风路径、强度和结构变化动力学与可预报性研究"的资助。
参考论文:
Liu, H.-Y., Tan, Z.-M., Wang, Y., Tang, J., Satoh, M., Lei, L., Gu, J.-F, Zhang, Y., Nie, G.-Z., Chen, Q.-Z. (2024). A hybrid machine learning/physics-based modeling framework for 2-week extended prediction of tropical cyclones. Journal of Geophysical Research: Machine Learning and Computation, 1, e2024JH000207. https://doi.org/10.1029/2024JH000207 .
Liu, H.-Y., Satoh, M., Gu, J.-F., Lei, L., Tang, J., Tan, Z.-M., Wang, Y., & Xu, J. (2023). Predictability of the most long-lived tropical cyclone Freddy (2023) during its westward journey through the southern tropical Indian Ocean. Geophysical Research Letters, 50, e2023GL105729. https://doi.org/10.1029/2023GL105729 .
Tan, Z.-M., Lei, L., Wang, Y., Xu, Y., & Zhang, Y. (2022). Typhoon track, intensity, and structure: From theory to prediction. Advances in Atmospheric Sciences, 39(11), 1789–1799. http://dx.doi.org/10.1007/s00376-022-2212-1 .
图1. 融合机器学习与物理模式的热带气旋预报框架:(a–c)盘古大模型的预报结果作为侧边界条件驱动WRF模式的热带气旋2周预报;在预报过程中,采用盘古大模型的预报风场实时调整大尺度环境场;(c–d)采用一维海洋混合层模型实现大气与海洋的相互作用。