氣象大模型支撐流域暴雨預(yù)報(bào)實(shí)踐探索

趙銅鐵鋼，李強(qiáng)

（中山大學(xué)水利部粵港澳大灣區(qū)水安全保障重點(diǎn)實(shí)驗(yàn)室，510275，廣州）

摘要：隨著人工智能技術(shù)發(fā)展，大模型被開發(fā)并應(yīng)用于業(yè)務(wù)氣象預(yù)報(bào)。聚焦海河“23·7”流域性特大暴雨洪水，采用氣象大模型開展暴雨過程回顧性預(yù)報(bào)實(shí)驗(yàn)，對(duì)比歐洲中期天氣預(yù)報(bào)中心業(yè)務(wù)氣象預(yù)報(bào)產(chǎn)品HRES，檢驗(yàn)氣象大模型降水預(yù)報(bào)對(duì)于洪水災(zāi)害防御的推廣應(yīng)用價(jià)值。研究結(jié)果表明：相比傳統(tǒng)數(shù)值氣象預(yù)報(bào)，GraphCast、FuXi和AIFS三個(gè)氣象大模型對(duì)暴雨過程、落區(qū)形態(tài)、中心位置和發(fā)生時(shí)間的預(yù)報(bào)更準(zhǔn)確。對(duì)于逐6h降水量，大模型在不同預(yù)見期下均呈現(xiàn)相當(dāng)?shù)念A(yù)報(bào)精度。對(duì)于累積降水量，GraphCast、AIFS和HRES預(yù)報(bào)降水強(qiáng)度、暴雨過程和落區(qū)范圍接近實(shí)況，當(dāng)起報(bào)時(shí)間提前到1d前，研究區(qū)平均累積降水量為124.6mm，預(yù)報(bào)累積降水量分別為132.7mm、115.5mm和140.0mm。對(duì)于最大降水量，GraphCast、FuXi和AIFS降水強(qiáng)度誤差較HRES更大，時(shí)間和位置誤差更小。實(shí)況最大累積降水量為484.8mm，當(dāng)起報(bào)時(shí)間提前到1d前，GraphCast、FuXi、AIFS和HRES的預(yù)報(bào)值分別為329.7mm、190.1mm、251.2mm和415.3mm。整體上，氣象大模型能夠?yàn)楹樗疄?zāi)害防御提供有效的降水預(yù)報(bào)信息，服務(wù)于水旱災(zāi)害防御業(yè)務(wù)工作。

關(guān)鍵詞：氣象大模型；極端降水；降水預(yù)報(bào)；洪水災(zāi)害防御；人工智能

作者簡(jiǎn)介：趙銅鐵鋼，教授，主要從事水文預(yù)報(bào)研究相關(guān)工作。

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（52379033）；水利部粵港澳大灣區(qū)水安全保障重點(diǎn)實(shí)驗(yàn)室開放研究基金項(xiàng)目（WSGBA-KJ202308）。

受季風(fēng)氣候、地形等因素影響，暴雨所導(dǎo)致的洪澇災(zāi)害每年對(duì)我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展造成一定影響。例如，2021年河南鄭州“7·20”特大暴雨，暴雨強(qiáng)度大、時(shí)間集中，觀測(cè)雨量突破內(nèi)陸地區(qū)小時(shí)降雨量歷史極值，導(dǎo)致嚴(yán)重城市內(nèi)澇和超警洪水；2022年珠江“22·6”特大洪水，暴雨強(qiáng)度大、范圍廣、歷時(shí)長(zhǎng)，引發(fā)7次編號(hào)洪水，其中北江第2號(hào)洪水為超100年一遇特大洪水；2023年海河“23·7”流域性特大暴雨洪水，降水強(qiáng)度大、時(shí)空集中，單站累積降水量超過1000mm，洪水量級(jí)大、漲勢(shì)猛、演進(jìn)快，為海河流域60年來最大場(chǎng)次洪水。

隨著人工智能技術(shù)發(fā)展，大模型被開發(fā)并應(yīng)用于業(yè)務(wù)氣象預(yù)報(bào)。相比傳統(tǒng)數(shù)值天氣預(yù)報(bào)模型，氣象大模型在有效預(yù)見期、計(jì)算速度和運(yùn)行成本等方面具有明顯優(yōu)勢(shì)。例如，谷歌DeepMind開發(fā)的GraphCast，采用圖神經(jīng)網(wǎng)絡(luò)編碼器-解碼器架構(gòu)，構(gòu)建從經(jīng)緯度網(wǎng)格到多網(wǎng)格特征的映射，將大模型預(yù)報(bào)時(shí)效提升到10d；復(fù)旦大學(xué)等開發(fā)的伏羲（FuXi），采用U-Transformer架構(gòu)，使用級(jí)聯(lián)模型和多步損失函數(shù)減少時(shí)間累積誤差，將預(yù)報(bào)時(shí)效提升到15d；歐洲中期天氣預(yù)報(bào)中心（ECMWF）開發(fā)的AIFS，集成Transformer和圖神經(jīng)網(wǎng)絡(luò)編碼器-解碼器，預(yù)報(bào)時(shí)效達(dá)15d，已用于業(yè)務(wù)氣象預(yù)報(bào)。

聚焦海河“23·7”流域性特大暴雨洪水，本文針對(duì)氣象大模型GraphCast、FuXi和AIFS進(jìn)行適用性評(píng)估，并與ECMWF高分辨率氣象預(yù)報(bào)產(chǎn)品（HRES）進(jìn)行對(duì)比。面向洪水災(zāi)害防御，從逐6h降水量、累積降水量和最大降水量3個(gè)方面評(píng)估氣象大模型極端暴雨預(yù)報(bào)精度。首先，針對(duì)逐6h降水量，使用受試者工作特征（ROC）曲線評(píng)估不同預(yù)見期和降水強(qiáng)度下的預(yù)報(bào)精度；其次，針對(duì)過程累積降水量評(píng)估暴雨落區(qū)、過程和強(qiáng)度的預(yù)報(bào)效果；最后，針對(duì)最大6h降水量和最大累積降水量評(píng)估暴雨極值位置、強(qiáng)度及發(fā)生時(shí)間的預(yù)報(bào)誤差。

氣象大模型運(yùn)行環(huán)境

GraphCast、FuXi和AIFS這三種代表性氣象大模型均由ECMWF第5代大氣再分析數(shù)據(jù)集（ERA5）訓(xùn)練而成。它們的業(yè)務(wù)版本均進(jìn)行了微調(diào)，支持HRES的初始場(chǎng)數(shù)據(jù)作為輸入。采用自回歸方法以前兩個(gè)時(shí)間步的氣象變量作為輸入，生成下一個(gè)時(shí)間步的預(yù)報(bào)數(shù)據(jù)，時(shí)間分辨率為6h，水平分辨率為0.25°×0.25°。大模型架構(gòu)和參數(shù)等基本信息如下表所示。

氣象大模型基本信息

面向業(yè)務(wù)氣象預(yù)報(bào)，本文采用HRES的初始場(chǎng)數(shù)據(jù)作為驅(qū)動(dòng)，搭建業(yè)務(wù)化運(yùn)行環(huán)境。硬件、軟件和輸入數(shù)據(jù)等環(huán)境配置如下表所示。值得指出的是，氣象大模型訓(xùn)練所用的ERA5數(shù)據(jù)并未用作驅(qū)動(dòng)，原因在于其滯后5d發(fā)布，不能滿足業(yè)務(wù)預(yù)報(bào)時(shí)效性需求。HRES水平分辨率為0.1°×0.1°，時(shí)間分辨率最高1h，預(yù)見期最長(zhǎng)15d，在世界標(biāo)準(zhǔn)時(shí)間每日0時(shí)、6時(shí)、12時(shí)和18時(shí)生成。ECMWF動(dòng)態(tài)公開最近3d重采樣至0.25°×0.25°的HRES初始場(chǎng)數(shù)據(jù)和預(yù)報(bào)數(shù)據(jù)，其中初始場(chǎng)數(shù)據(jù)為基于衛(wèi)星和氣象站等觀測(cè)生成的同化數(shù)據(jù)，用于驅(qū)動(dòng)ECMWF綜合預(yù)報(bào)系統(tǒng)生成HRES預(yù)報(bào)數(shù)據(jù)。整體上，HRES既是國(guó)際氣象業(yè)務(wù)預(yù)報(bào)的基準(zhǔn)性數(shù)據(jù)，也是我國(guó)天氣預(yù)報(bào)業(yè)務(wù)的重要支撐數(shù)據(jù)。研究表明，HRES對(duì)河南鄭州“7·20”特大暴雨和海河“23·7”流域性特大暴雨洪水的預(yù)報(bào)性能優(yōu)于其他全球數(shù)值天氣預(yù)報(bào)產(chǎn)品。

氣象大模型運(yùn)行環(huán)境配置

氣象大模型分為實(shí)時(shí)預(yù)報(bào)和回顧預(yù)報(bào)兩種運(yùn)行狀態(tài)。實(shí)時(shí)預(yù)報(bào)通過ECMWF數(shù)據(jù)接口下載HRES初始場(chǎng)數(shù)據(jù)，經(jīng)預(yù)處理驅(qū)動(dòng)大模型生成預(yù)報(bào)?；仡欘A(yù)報(bào)通過ECMWF檔案檢索系統(tǒng)（MARS）下載HRES存檔的初始場(chǎng)數(shù)據(jù)，經(jīng)過預(yù)處理驅(qū)動(dòng)氣象大模型生成歷史回報(bào)。首次運(yùn)行氣象大模型時(shí)，加載權(quán)重?cái)?shù)據(jù)、創(chuàng)建計(jì)算圖等過程相對(duì)耗時(shí)，業(yè)務(wù)化運(yùn)行后無需重復(fù)加載。經(jīng)測(cè)試，GraphCast首次運(yùn)行生成10d預(yù)報(bào)需要約150s，F(xiàn)uXi需要約90s，AIFS需要約70s；業(yè)務(wù)化運(yùn)行時(shí)，GraphCast、FuXi和AIFS生成10d預(yù)報(bào)所需時(shí)間分別為70s、80s和60s左右。

暴雨預(yù)報(bào)實(shí)驗(yàn)設(shè)計(jì)

1.研究區(qū)域與數(shù)據(jù)

海河流域總面積32萬(wàn)km2，西、北和西南三面環(huán)山，山區(qū)與平原之間過渡帶短促。受半濕潤(rùn)半干旱溫帶季風(fēng)氣候影響，海河流域降水時(shí)空分布不均，7月下旬到8月上旬極易出現(xiàn)短歷時(shí)強(qiáng)降水。“23·7”流域性特大暴雨洪水中，海河流域累積降水總量達(dá)494億m3，永定河等8條河流發(fā)生有實(shí)測(cè)記錄以來最大洪水，造成京津冀超過500萬(wàn)人受災(zāi)，直接經(jīng)濟(jì)損失超過1600億元。根據(jù)暴雨落區(qū)范圍，將35°N113°E—41°N117°E作為回顧性預(yù)報(bào)實(shí)驗(yàn)的研究區(qū)域。

以多源加權(quán)集合降水（MSWEP）數(shù)據(jù)作為實(shí)況降水?dāng)?shù)據(jù)，該數(shù)據(jù)集成衛(wèi)星遙感、大氣再分析及雨量站等多源降水資料，提供1979年至今全球0.1°×0.1°逐3h降水?dāng)?shù)據(jù)，是目前國(guó)際公認(rèn)的高精度降水?dāng)?shù)據(jù)產(chǎn)品之一。相較于其他全球降水?dāng)?shù)據(jù)產(chǎn)品，MSWEP在表征地表“真實(shí)”降水方面表現(xiàn)更為出色，在對(duì)地觀測(cè)、氣候系統(tǒng)演化分析以及暴雨洪水預(yù)報(bào)等領(lǐng)域得到了廣泛應(yīng)用。本文選取最新MSWEPV2.8版本數(shù)據(jù)，時(shí)間分辨率重采樣至6h，通過雙線性插值重采樣至0.25°×0.25°。此外，通過MARS下載重采樣至0.25°×0.25°分辨率的HRES數(shù)據(jù)，預(yù)見期為0～240h逐6h，以HRES初始場(chǎng)數(shù)據(jù)驅(qū)動(dòng)氣象大模型，并將氣象大模型預(yù)報(bào)數(shù)據(jù)與HRES預(yù)報(bào)數(shù)據(jù)進(jìn)行對(duì)比。

2.預(yù)報(bào)精度評(píng)

采用ROC曲線評(píng)估氣象大模型暴雨預(yù)報(bào)精度，利用ROC技能分?jǐn)?shù)（ROCSS）衡量暴雨預(yù)報(bào)命中和誤報(bào)之間的整體判別能力。計(jì)算過程見式（1）~式（5）：

式中，AUC表示ROC曲線下的面積，計(jì)算公式為：

式中，分別代表真陽(yáng)性率和假陽(yáng)性率，計(jì)算公式為：

式中，代表網(wǎng)格數(shù)量，個(gè)；為設(shè)定的降水量閾值，mm；fnon分別表示網(wǎng)格n的預(yù)報(bào)降水量和觀測(cè)降水量，mm；代表指示函數(shù)，計(jì)算公式為：

通過計(jì)算所有可能取值下的，繪制ROC曲線并計(jì)算ROCSS，從而綜合考慮研究區(qū)所有網(wǎng)格不同量級(jí)降水信息。ROCSS取值范圍為-1～1，數(shù)值越高代表預(yù)報(bào)精度越高。

歷史暴雨回顧性預(yù)報(bào)

1.逐6h降水預(yù)報(bào)精度

針對(duì)海河“23·7”流域性特大暴雨洪水逐6h降水量，各模型預(yù)報(bào)精度如下圖所示。預(yù)見期為6h時(shí)，GraphCast、FuXi、AIFS和HRES的ROCSS中位數(shù)分別為0.58、0.47、0.62和0.20。隨著預(yù)見期從6h增大到240h，各模型的ROCSS變化范圍增大，預(yù)報(bào)精度呈現(xiàn)下降趨勢(shì)。當(dāng)預(yù)見期低于4d時(shí)，GraphCast和AIFS的ROCSS基本大于0；當(dāng)預(yù)見期超過4d時(shí)，預(yù)報(bào)精度明顯下降，ROCSS出現(xiàn)較多負(fù)值。當(dāng)降水量較大時(shí)，各模型的降水預(yù)報(bào)精度下降，表現(xiàn)為熱力圖中ROCSS值較低條帶與強(qiáng)降水在時(shí)間上耦合。相比HRES和FuXi，GraphCast和AIFS在預(yù)報(bào)較小降水時(shí)表現(xiàn)更好。FuXi在5～6d預(yù)見期精度變化明顯，熱力圖呈現(xiàn)清晰水平分界，對(duì)應(yīng)其預(yù)見期5d前后子模型不同的級(jí)聯(lián)架構(gòu)。對(duì)HRES，世界標(biāo)準(zhǔn)時(shí)間6時(shí)和18時(shí)起報(bào)的預(yù)見期為1～96h，因此ROCSS在預(yù)見期超過4d時(shí)為空值。

不同預(yù)見期下逐6h降水量預(yù)報(bào)檢驗(yàn)

根據(jù)國(guó)家標(biāo)準(zhǔn)《降水量等級(jí)》（GB/T 28592—2012）對(duì)12h和24h降水等級(jí)進(jìn)行劃分，將6h降水量劃分為中雨[2.5mm，7.5mm)、大雨[7.5mm，15.0mm)和暴雨[15.0mm，+∞)，預(yù)報(bào)精度如下圖所示。整體上，預(yù)報(bào)精度與預(yù)見期呈負(fù)相關(guān)關(guān)系；相比中雨和暴雨，各模型對(duì)大雨的預(yù)報(bào)精度更高。以大雨預(yù)報(bào)為例，隨著預(yù)見期從1d增加到3d，GraphCast的ROCSS中位數(shù)從0.78下降到0.77（減少1.3%），F(xiàn)uXi從0.85下降到0.80（減少5.9%），AIFS從0.79下降到0.70（減少11.4%），HRES從0.63下降到0.53（減少15.9%）。隨著降水量從大雨增加到暴雨，各模型預(yù)報(bào)精度表現(xiàn)出下降趨勢(shì)，3d預(yù)見期的結(jié)果顯示，GraphCast的ROCSS中位數(shù)從0.77下降到0.28（減少64%），F(xiàn)uXi從0.80下降到0.01（減少99%），AIFS從0.70下降到0.21（減少70%），HRES從0.53下降到0.29（減少45%）。

不同降水強(qiáng)度和預(yù)見期下逐6h降水量預(yù)報(bào)檢驗(yàn)

2.累積降水預(yù)報(bào)精度

各模型對(duì)于累積降水量的預(yù)報(bào)精度如下圖所示。總體上，GraphCast、FuXi、AIFS和HRES預(yù)報(bào)降水落區(qū)大致符合實(shí)況，對(duì)累積降水量有預(yù)報(bào)提示。其中，HRES預(yù)報(bào)累積降水量相對(duì)更好，但高估了300mm以上降水的落區(qū)范圍，低估了降水強(qiáng)度。相比之下，GraphCast、FuXi和AIFS的降水落區(qū)更平滑，低估了降水中心區(qū)域的累積降水量，對(duì)300mm以上降水的強(qiáng)度和落區(qū)范圍預(yù)報(bào)均偏小，F(xiàn)uXi的低估程度相對(duì)更大。隨著起報(bào)時(shí)間從世界標(biāo)準(zhǔn)時(shí)間7月28日0時(shí)（暴雨前1d）提前到7月26日0時(shí)（暴雨前3d），GraphCast、FuXi、AIFS和HRES預(yù)報(bào)300mm以上降水強(qiáng)度和落區(qū)面積減少，HRES預(yù)報(bào)強(qiáng)降水中心較實(shí)況偏西南，GraphCast和AIFS大致預(yù)報(bào)出強(qiáng)降水中心位置。

各模型2023-07-29T00:00Z—2023-08-01T00：00Z累積降水量

各模型區(qū)域平均累積降水量預(yù)報(bào)精度評(píng)估結(jié)果如下圖所示。整體上，GraphCast、AIFS和HRES預(yù)報(bào)降水量和降水過程更接近實(shí)況。MSWEP累積降水量為124.6mm，當(dāng)起報(bào)時(shí)間提前到1d前，GraphCast、FuXi、AIFS和HRES的預(yù)報(bào)累積降水量分別為132.7mm、83.2mm、115.5mm和140.0mm，ROCSS分別為0.79、0.57、0.65和0.73；當(dāng)起報(bào)時(shí)間提前到3d前，GraphCast、AIFS和HRES的預(yù)報(bào)累積降水量更接近基準(zhǔn)值，分別為126.9mm、121.8mm和121.0mm，ROCSS分別為0.71、0.71和0.34，GraphCast和AIFS的預(yù)報(bào)降水時(shí)間序列比HRES更接近實(shí)況降水序列。GraphCast、AIFS和HRES預(yù)報(bào)累積降水量的互補(bǔ)累積分布函數(shù)曲線更接近MSWEP降水量的分布曲線，預(yù)報(bào)精度更高。

不同起報(bào)時(shí)間下累積降水量預(yù)報(bào)檢驗(yàn)

3.最大降水預(yù)報(bào)精度

對(duì)于區(qū)域平均最大6h降水量，各模型預(yù)報(bào)結(jié)果如下圖所示?？傮w上，GraphCast、FuXi、AIFS和HRES均在一定程度上預(yù)報(bào)出最大6h降水的強(qiáng)度、位置和落區(qū)形態(tài)，對(duì)強(qiáng)降水過程預(yù)報(bào)有業(yè)務(wù)參考價(jià)值。相比實(shí)況降水落區(qū)，HRES落區(qū)過于離散化，40mm以上核心落區(qū)更分散，降水極值和落區(qū)范圍偏?。粴庀蟠竽Ｐ秃诵慕邓鋮^(qū)形態(tài)和位置更接近實(shí)況，但邊界過于平滑且低估了降水極值，顯示出AI模型固有過平滑問題。隨著起報(bào)時(shí)間從世界標(biāo)準(zhǔn)時(shí)間7月29日0時(shí)（最大6h降水前1d）提前到7月27日0時(shí)（最大6h降水前3d），各模型預(yù)報(bào)降水落區(qū)形態(tài)和位置與實(shí)況的偏差變大，低估極值更明顯。

區(qū)域平均最大6h降水量（2023-07-30T00：00Z—2023-07-30T06:00Z）

針對(duì)網(wǎng)格最大6h降水量和最大累積降水量，各模型預(yù)報(bào)發(fā)生位置、降水強(qiáng)度和時(shí)間誤差如下圖所示。整體上，HRES對(duì)降水強(qiáng)度的預(yù)報(bào)誤差較GraphCast、FuXi和AIFS更小，但在發(fā)生時(shí)間上不如氣象大模型準(zhǔn)確。實(shí)況最大6h降水量和最大累積降水量分別為127.9mm和484.8mm，當(dāng)起報(bào)時(shí)間提前到1d前，HRES更準(zhǔn)確，預(yù)報(bào)值分別為117.8mm和415.3mm，GraphCast分別為84.8mm和329.7mm，F(xiàn)uXi分別為42.2mm和190.1mm，AIFS分別為61.9mm和251.2mm，而氣象大模型對(duì)最大累積降水量發(fā)生位置的預(yù)報(bào)更準(zhǔn)確；當(dāng)起報(bào)時(shí)間提前至3d前，HRES對(duì)最大降水強(qiáng)度的預(yù)報(bào)更準(zhǔn)確，氣象大模型預(yù)報(bào)發(fā)生時(shí)間更準(zhǔn)確，HRES、GraphCast、FuXi和AIFS預(yù)報(bào)最大6h降水發(fā)生時(shí)間的誤差分別為24h、0h、6h和-12h。

網(wǎng)格最大6h降水量和最大累積降水量預(yù)報(bào)檢驗(yàn)

結(jié)語(yǔ)

聚焦海河“23·7”流域性特大暴雨洪水，本文采用氣象大模型開展暴雨過程回顧性預(yù)報(bào)實(shí)驗(yàn)，對(duì)比ECMWF業(yè)務(wù)氣象預(yù)報(bào)精度，檢驗(yàn)氣象大模型降水預(yù)報(bào)對(duì)于洪水災(zāi)害防御的推廣應(yīng)用價(jià)值。結(jié)果表明，一臺(tái)48G顯存的小型工作站即可支撐氣象大模型運(yùn)行，在2min內(nèi)生成10d全球氣象預(yù)報(bào)，能滿足實(shí)時(shí)業(yè)務(wù)預(yù)報(bào)要求。相比傳統(tǒng)數(shù)值天氣預(yù)報(bào)，氣象大模型對(duì)暴雨過程、落區(qū)形態(tài)、中心位置和發(fā)生時(shí)間的預(yù)報(bào)更準(zhǔn)確，能夠?yàn)楹樗疄?zāi)害防御提供具有業(yè)務(wù)參考價(jià)值的降水預(yù)報(bào)信息。三種大模型中，GraphCast預(yù)報(bào)累積降水量和最大降水量性能更好，更適用于本次極端暴雨事件的預(yù)報(bào)。

面向業(yè)務(wù)預(yù)報(bào)，氣象大模型還存在過平滑、分辨率低和可解釋性差的局限性。大模型的訓(xùn)練數(shù)據(jù)ERA5在我國(guó)區(qū)域存在偏差，其降水?dāng)?shù)據(jù)尤為明顯；同時(shí)極端降水事件訓(xùn)練樣本較少，限制了大模型預(yù)報(bào)暴雨強(qiáng)度的能力。此外，基于圖神經(jīng)網(wǎng)絡(luò)的GraphCast和AIFS對(duì)極端暴雨強(qiáng)度的低估更小，可能比U-Transformer更適合預(yù)報(bào)極值。當(dāng)前大模型大多采用6h和0.25°×0.25°的分辨率，過低的時(shí)空分辨率可能導(dǎo)致低估局部突發(fā)極端暴雨事件的強(qiáng)度?！昂谙洹钡拇竽Ｐ碗y以提供預(yù)報(bào)結(jié)果的解釋依據(jù)，會(huì)降低可信度。此外，未來還有待基于氣象站觀測(cè)數(shù)據(jù)對(duì)氣象大模型的極端暴雨預(yù)報(bào)性能作進(jìn)一步評(píng)估，并與多種業(yè)務(wù)預(yù)報(bào)產(chǎn)品進(jìn)行對(duì)比。

Abstract: With the advancement of artificial intelligence technology, large-scale models have been developed and applied in operational meteorological forecasting. Focusing on the “23·7” extreme rainfall and flood event in the Haihe River basin, retrospective forecasting experiments are conducted using large-scale meteorological models. The precipitation forecasts are compared with the High-Resolution Forecast (HRES) from the European Centre for Medium-Range Weather Forecasts (ECMWF) to evaluate the applicability of large-scale meteorological models in flood disaster prevention. The results indicate that, compared to traditional numerical weather prediction, the three large-scale meteorological models—GraphCast, FuXi, and AIFS—provide more accurate forecasts regarding the rainfall process, spatial distribution, central location, and timing. For 6-hourly precipitation, these models demonstrate comparable forecast accuracy across different lead times. Regarding accumulated precipitation, GraphCast, AIFS, and HRES produce forecasts of precipitation intensity, rainfall process, and affected areas that closely match observations. When the forecast initialization time is set 1 day in advance, the average accumulated precipitation in the study area was 124.6 mm, with forecasted values of 132.7 mm, 115.5 mm, and 140.0 mm, respectively. For maximum precipitation, GraphCast, FuXi, and AIFS exhibite larger errors in precipitation intensity compared to HRES but have smaller errors in timing and location. The observed maximum accumulated precipitation was 484.8 mm, while the forecasts from GraphCast, FuXi, AIFS, and HRES are 329.7 mm, 190.1 mm, 251.2 mm, and 415.3 mm, respectively, when the initialization time is set 1 day in advance. Overall, large-scale meteorological models can provide effective precipitation forecasts for flood disaster prevention operations.

Keywords: large-scale meteorological model; extreme precipitation; precipitation forecasting; flood disaster prevention; artificial intelligence

本文引用格式：

責(zé)編李博遠(yuǎn)

校對(duì)呂彩霞

審核王慧

監(jiān)制軒瑋

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請(qǐng)讀者僅作參考，并自行核實(shí)相關(guān)內(nèi)容。若對(duì)該稿件內(nèi)容有任何疑問或質(zhì)疑，請(qǐng)立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。