ARTICLE · 1092911
West-WRF AI 2-km:水汽积分输送与降水的高分辨率预报
West-WRF AI 2-km：水汽积分输送与降水的高分辨率预报
欢迎阅读EarthAI公众号的学术文章解读，受限于个人知识水平，解读难免存在疏漏或不当之处，敬请谅解，也欢迎大家留言区交流，希望您能有所收获。
West-WRF AI 2-km：拉伸网格（stretched-grid）AI 天气预报系统，在美国西部及东北太平洋部分区域提供约 2-km 分辨率、其余区域约 31-km 分辨率。它在 40 年 ERA5 全球预训练基础上，用 CW3E 2-km 区域再分析微调，自回归产出 6 小时步长的降水与水汽积分输送（IVT）预报，并在 2020–2023 年三个冬季用 PRISM 网格降水、526 个雨量站与大气河探空评估，对照 West-WRF 3-km、IFS 9-km 与 West-WRF AI 6-km。结果表明：2-km 版本复现了观测的降水强度分布与细尺度谱变率，给出更锋利的海岸窄雨带和地形敏感型局地极端，大尺度技巧不降反稳；探空验证在最强的 IVT 阈值上误差更低、分类技巧更好。局地极端降水与强大气河相关的水汽输送。
一、背景：西海岸的地形与大气河难题
美国西部降水由大尺度环流、陡峭地形与海岸—内陆的水文气候梯度共同塑造，空间对比极为尖锐。冬季（11 月至次年 3 月）该区域约 50–75% 的年降水来自大气河（AR）——一种长约 2000 km、宽约 400–800 km 的狭长水汽通道。AR 与海岸地形相互作用可激发强降水，过强或持续则致灾。传统 NWP（如 IFS、HRRR、West-WRF 集合）虽能刻画细过程，但计算昂贵且依赖参数化；全球 AI 模型（GraphCast、Pangu-Weather 等）更快更省，却因分辨率偏粗，难以表现复杂地形与区域 AR 相关降水。这催生了区域 AI：有限区域模型（LAM）或拉伸网格模型——后者在目标区加密、同时保留全球大尺度背景，尤其适合受大尺度水汽输送支配的 AR 预报。
二、方法：拉伸网格上的三阶段图 Transformer
West-WRF AI 2-km 基于 ECMWF Anemoi 图 Transformer 框架，采用拉伸网格：西美及东北太平洋为约 2-km 区域网格（细化等级 9，约 207 万格点），全球为约 31-km 背景（细化等级 7）。训练分三阶段：A1 用 40 年 ERA5 在 31-km 上预训练、单步滚动，学习大尺度动力；B1 用 CW3E 2-km 再分析微调区域网格，保留 31-km 全球背景；B2 把训练滚动步数从 1 步增至 8 步（48 小时）以提升时间稳定性。推理时自回归迭代最多 24 个 6 小时步（144 小时 / 6 天）。训练在 64 张 H100 上约 9 天完成，推理单张 H100 约 3–4 分钟产出完整六天预报。区域微调用 2012–2020 年（八年），三个冬季留作独立评估。
三、降水：2-km 在地形与海岸带的增益
与 PRISM 4-km 对比（图 2，4 天时效），四套预报都再现了海岸—山脉主格局。PRISM 区域日均降水 2.8 mm day⁻¹；West-WRF AI 2-km 的 RMSE 为 0.96 mm day⁻¹，比 West-WRF 3-km 低 4.0%、比 IFS 9-km 低 15.0%，并捕获了加州海岸山脉与内华达山西坡最强的梯度与最局地的特征。在 90、98 百分位等强/极端强度上，2-km 与 PRISM 域均值偏差仅 0.00–0.13 mm，RMSE 较 3-km 与 IFS 再降 7–17%。RAPSD 谱分析（图 4）显示，在 4–6 km 最短波长上，2-km 是四套预报中最接近 PRISM 的。需要指出的是，2-km 版本把"雨日频率"高估了约 17.7%，这是从 ERA5 继承的偏差之一。
四、站点与大气河探空验证
用 526 个雨量站（6 小时累计，时效 6–120 小时）验证：120 小时时 West-WRF AI 2-km 的 RMSE 为 3.03 mm，低于 West-WRF 3-km 的 3.76 mm（降 19.4%），CC 约 0.61，明显优于 IFS 9-km（0.53）与 3-km（0.46）。关键的 IVT 探空验证用 2,360 个大气河侦察探空样本（直接由观测廓线算出，独立于再分析）：120 小时时 2-km/31-km 的 IVT RMSE 为 183.30 kg m⁻¹ s⁻¹，比 6-km（194.16）低 5.6%、比 9-km（199.40）低 8.1%；在最极端的 750 kg m⁻¹ s⁻¹ 阈值上，其 CSI 比 6-km 高约 12%、比 9-km 高约 16%，ETS 高约 17%——即越强、越长时效的 AR 水汽输送，2-km 优势越明显。
五、分辨率到底值不值
图 7 的个例最直观：2022 年 12 月 31 日一次 AR Scale 3 事件，AI 6-km 把两个强降水核平滑掉（域均值 12.84 mm，−3.2%），而 2-km 保留了更锋利的双核与峰值（14.55 mm，+9.7%）；重采样到 PRISM 4-km 后，2-km 空间 RMSE 9.64 mm，比 6-km 的 13.38 mm 低约 28%。但论文也坦诚：在大邻域 FSS、站点特定极端（120 小时）等口径下，更平滑的 6-km 有时反而更好——邻域验证容忍位移误差，而点尺度度量对"双罚"更敏感，高分辨率反而更易受位移惩罚。结论很克制：2-km 的增益是集中的而非均匀的，最清晰出现在复杂地形、海岸带与极端 AR 相关降水、长时效强 IVT 上，且大尺度技巧未受损。
未来方向
用业务 ECMWF IFS 或 NCEP GFS 分析场做微调与评估，消除"再分析训练—业务初始化"的不匹配； 扩展到集合与概率预报（CRPS 损失、扩散模型、扰动初值），刻画不确定性与降水上尾； 设计受控实验，分离"内网格分辨率"与"外域配置"各自的影响； 检验结构感知/多尺度损失、隐网格与通道容量等对分辨率增益的敏感性； 把高分辨率 2-km 流域扩展到离岸更广范围，并用更多冬季样本确认 120 小时站点技巧反转是否系统性的。
核心亮点
首个面向大气河、约 2-km 分辨率的 AI 天气预报系统评估：拉伸网格在保留约 31-km 全球背景的同时，把西美区域加密到约 2-km，专注降水与 IVT； 三阶段训练 + Anemoi 图 Transformer：40 年 ERA5 预训练迁移到 CW3E 2-km 区域再分析，单张 H100 推理 3–4 分钟出六天预报，成本低； 局地极端与强 AR 水汽输送上增益最清晰：Dec 31 2022 个例中 2-km 比 6-km 空间 RMSE 低约 28%，最强 IVT 阈值上 CSI/ETS 提升 12–17%； 大尺度技巧不降、且坦诚其局限：2-km 在域均值、大尺度、低阈值与短时效 IVT 上与 6-km 相当，增益取决于变量、尺度、时效与验证方式，为后续架构发展提供了确定性基线。
论文信息
标题：West-WRF AI 2-km: High-Resolution Prediction of Integrated Vapor Transport and Precipitation
作者：Nazak Rouzegari、Vesta Afzali Gorooh、Agniv Sengupta、Phu Nguyen、Kuo-Lin Hsu、Amir AghaKouchak、Soroosh Sorooshian、F. Martin Ralph 等
期刊：arXiv 预印本（2026，arXiv:2609.25512v1，已在审稿中）
链接：https://arxiv.org/abs/2609.25512
文中图片
图片题注：West-WRF AI 2-km 数据驱动预报系统的概览。上栏为三阶段训练与推理流程：A1 用 40 年 31-km 全球大气状态单步滚动；B1 将 31-km 全球态与嵌套的 2-km 区域态结合（仍单步）；B2 在训练中使用 8 步（48 小时）自回归滚动；推理时自回归迭代至多 24 个 6 小时步（144 小时）。下栏为基于 ECMWF Anemoi 的拉伸网格图 Transformer 架构。 解读：这张图把"拉伸网格"的巧思说清楚了——全球背景保大尺度水汽输送、区域加密抓地形，三阶段训练让 2-km 能力从 31-km 预训练平滑继承而来，而非从零学起。
图片题注：测试期（2021–2022 与 2022–2023 冬季）西美降水特征在 4 天时效下的空间对比。列依次为 PRISM 4-km 观测及 West-WRF 3-km、IFS 9-km、West-WRF AI 6-km、West-WRF AI 2-km 预报；行依次为日均降水、雨日频率（>0.25 mm day⁻¹）、雨日降水的 50/90/98 百分位强度，以及 AR 降水占比。各预报面标注了相对 PRISM 的空间均值、偏差、RMSE 与 CC。 解读：四套系统都抓住了海岸—山脉主格局，但 2-km 在最局地的海岸山脉梯度上最锐利、RMSE 最低；代价是其雨日频率被高估，提示从 ERA5 继承的湿日偏差仍在。
图片题注：2020–2023 冬季西美 4-km 分辨率降水验证随 1–4 天预报时效的变化。面板含总降水与 AR 相关降水的 RMSE、CC，以及按 0.25 mm day⁻¹、雨日 50/90/98 百分位阈值的等权威胁得分（ETS）。 解读：AI 预报在较长时效始终比 West-WRF 3-km 与 IFS 9-km 误差更低；阈值越高、ETS 越低，但在 p90/p98 上 2-km 对 3-km 与 IFS 的改进幅度最大，说明高分辨率对极端更友好。
图片题注：West-WRF 3-km、IFS 9-km、West-WRF AI 6-km、West-WRF AI 2-km 在 2 天与 4 天时效下的 FSS，对照 4-km 日均 PRISM。面板 (a)(b) 为固定 20 mm day⁻¹ 阈值下 FSS 随邻域窗口的变化；(c)(d) 为固定 13×13 网格（约 50×50 km）邻域下 FSS 随降水阈值的变化。 解读：FSS 随窗口增大而升、随阈值增大而降；IFS 9-km 在高阈值下几乎归零，而 2-km 在两种时效与窗口下都列前两强，高阈值下保住了远多于 IFS 的技巧。
图片题注：2023 年 1 月 8 日一次 AR Scale 2 事件的累计降水，预报自 2023 年 1 月 4 日 00 UTC 起报（4 天时效）。面板 (a)–(e) 为 PRISM 4-km 及 West-WRF 3-km、IFS 9-km、West-WRF AI 6-km、West-WRF AI 2-km 的累计降水，并附各面域均值；(g)–(j) 为各预报相对 PRISM 的偏差及空间 RMSE。 解读：PRISM 显示沿海一条窄而强的雨带；2-km 虽略高估（域均值 +7.5%），却对海岸雨带与局地极大值的空间吻合最强，空间 RMSE 最低（5.52 mm），比 IFS 9-km 低 33.3%。
图片题注：2022 年 12 月 31 日 AR Scale 3 事件的累计降水，自 2022 年 12 月 27 日 00 UTC 起报（4 天时效）。面板 (a)–(c) 为 PRISM 4-km、West-WRF AI 6-km、West-WRF AI 2-km 在原网格分辨率下的累计降水；(d)–(e) 为重采样到 PRISM 4-km 后的偏差与空间 RMSE。 解读：这是全篇最能体现"分辨率值不值"的图——6-km 把两个强降水核平滑掉，2-km 保留了更锋利的双核；重采样后 2-km 空间 RMSE 9.64 mm，比 6-km 的 13.38 mm 低约 28%。
图片题注：2020–2023 冬季 6–120 小时时效下 6 小时累计降水对雨量站的验证。面板 (a)(b)(c) 为 West-WRF AI 2-km、AI 6-km、3-km、IFS 9-km 的 RMSE、CC 与平均偏差；(d)(e)(f) 为针对各站自身 95 百分位阈值的探测概率（POD）、空报率（FAR）与临界成功指数（CSI），基于 526 个有效雨量站。 解读：AI 两套在中长时效普遍优于动力模式，120 小时时 2-km 的 CC（约 0.61）明显领先 IFS（0.53）与 3-km（0.46）；但 CSI 在 120 小时出现站点尺度反转，论文将其归因于稀有样本量有限，需谨慎解读。
图片题注：West-WRF AI 2-km/31-km、West-WRF AI 6-km、West-WRF 9-km 的 IVT 预报对大气河侦察探空（每时效 2,360 个样本）在 24–120 小时时效下的验证。面板含 RMSE、CC，以及 250/500/750 kg m⁻¹ s⁻¹ 三档阈值（中/强/极端 AR）下的 POD、FAR、CSI 与 ETS。 解读：2-km/31-km 在所有时效 RMSE 最低、CC 最高，且差距在 96–120 小时拉大；在最极端 750 阈值上 CSI 与 ETS 分别比 6-km、9-km 高出 12–17%，直接支撑"强 AR 水汽输送上 2-km 最值"的结论。
微信公号：Earth-Ai
商务联系：Earth_Ai