文献来源Evaluation of the Pangu model in forecasting rapid intensification of tropical cyclones期刊Atmospheric and Oceanic Science Letters, 2026, 19: 100721开放获取CC BY-NC-ND作者Yuchen Li, Yun Zhang*, Hepeng Zheng*国防科技大学 气象海洋学院中国气象局高影响天气重点实验室长沙DOI10.1016/j.aosl.2025.100721收稿 2025-07-23修回 2025-09-04接受 2025-09-26在线 2025-09-30关键词Pangu modelTropical cycloneRapid intensificationAI model limitations研究背景与目标• 核心问题热带气旋TC强度预报至今仍是气象预报最难的问题之一特别是快速增强RIKaplan DeMaria 2003 定义为 24 h 内强度增加 ≥30 kt ≈ 15 m s⁻¹过程RI TC 涉及复杂的多尺度非线性物理过程传统数值预报NWP模式对其物理过程表征不完整预报能力受限。• 现有方法局限传统 NWP 模式如 WRF分辨率与物理方案难以完整刻画 RI 的多尺度非线性过程导致 RI TC 强度与路径预报误差大近年基于卫星与雷达的观测研究如 Wu et al. 2021 用 GPM S 波段多普勒雷达分析 Lekima 登陆降水微物理Wu et al. 2023 用多卫星资料揭示 Nanmadol (2022) RI 期间云动力与微物理的相互作用加深了对 RI 机理的认识但尚未形成可业务化的精准预报方法。• 模型/方法优势华为发布的盘古Pangu-weather大模型是首个在多项预报任务上精度超过传统 NWP 的全球 AI 模式Bi et al. 2023, Nature 619: 533–553神经网络擅长识别数据中的复杂非线性关系被期待能攻克 RI TC 预报难题。• 研究空白与目标Bi et al. (2023) 只评估了 Pangu 的 TC 路径能力未评估强度特别是 RI 过程本文目标是用 WRF 做对照同样以 ERA5 作初始场、可用 vortex-following 嵌套系统评估 Pangu 对 RI / non-RI TC 的强度与路径预报能力并讨论其局限与机理。研究方法研究对象选取 9 个 TC 个例覆盖 WP西北太平洋/ NA北大西洋两洋盆、RI 与 non-RI 两类、不同强度与持续时间尽量兼顾训练集内外样本Table 1。TC 名年份起止时间 (UTC)洋盆类别Nanmadol202209/13 06:00 – 09/19 00:00WPRIChanthu202109/07 00:00 – 09/11 00:00WPRILaura202008/24 00:00 – 08/28 00:00NARIRai202112/14 12:00 – 12/20 00:00WPRIMuifa202209/09 00:00 – 09/14 00:00WPRIFlorence201809/03 00:00 – 09/09 12:00NARIYutu201810/23 18:00 – 11/01 06:00WPnon-RIFiona202209/18 18:00 – 09/21 18:00NAnon-RIXianba202206/30 06:00 – 07/02 18:00WPnon-RI对 RI TC分析时段从增强开始、经强度减弱到稳定以保证涵盖完整 RI 过程。模型/方法配置•Pangu华为 Pangu-weather 全球 AI 模式用 ERA51979–2019训练Bi et al. 2023按 Bi et al. (2023) 的 6 h 迭代方式运行并采用 greedy 策略每步选最长可用预报步以减少自回归误差累积TC 中心定位取最佳路径近似区域内的最低海平面气压最大 10 m 风在中心附近验证。•WRF参照 Wu et al. (2022)采用 vortex-following 双重嵌套Table 2。类目参数取值域与分辨率嵌套域2母域 1 重嵌套比3母域 9 km嵌套 3 km垂直层47eta_levels 1.000 – 0.000物理方案微物理WDM 7对流母域 Tiedtke嵌套 OFF长波辐射PRTMG短波辐射PRTMG行星边界层MYJ近地面层Monin–ObukhovJanjic Eta陆面unified Noah初始化初始场ERA5与 Pangu 同源保证公平对比输出TC 定位/强度ATCF自动 TC 中心定位与强度对每个 TCWRF 嵌套域起点对应该 TC 起始时刻的中心。评估方法与数据样本分类•RI TC按 Kaplan DeMaria (2003) 定义24 h 内强度增加 ≥30 kt≈ 15 m s⁻¹6 例。•non-RI TC不满足上述 RI 判据3 例Yutu、Fiona、Xianba。统计误差指标•强度中心气压hPa、10 m 最大风速m s⁻¹以最佳路径OBS为真值做时序对比、偏差与标准差、相关系数。•路径TC 中心位置误差km以最佳路径为真值统计量用 RMSE直方图、及位置误差 – 预报时效时序曲线。• 注论文未给出统一的列联表 / 混淆矩阵类分组性能指标本研究的分组性能评估通过 RI vs non-RI 的 RMSE 对比实现见结果 3.2 / 3.3。验证数据•最佳路径OBS作为 TC 中心与强度的真值。•ERA5 再分析Pangu 与 WRF 共用的初始场保证同源对比。样本与分组分析•强度分析逐 TC 时序对比 Pangu、WRF 与 OBS标注标定的 RI 时段蓝虚线之间。•路径分析逐 TC 路径图 整组 RMSE 直方图RI 组、non-RI 组分开。•时效分析位置误差随预报时效h的逐 TC 演化。空间/案例验证本研究未做独立的空间场验证如降水 / 风场的空间分布对比仅做 TC 路径的空间对比与强度时序对比WRF 的优势主要体现在能解析中尺度对流过程Skamarock et al. 2019从而更好地模拟内部动力强的 TC。主要结果1.整体结论Pangu 对 RI TC 的强度与路径预报均明显弱于 WRFvortex-following 模式对 non-RI TCPangu 路径预报优于 WRF。RI 过程对 Pangu 路径预报的影响远大于对 WRF。2.强度预报图 1Pangu 对 RI TC 强度存在系统性偏低under-forecast且强度变化曲线过度平滑几乎抓不到非线性 RI 趋势以 Nanmadol (2022) 为例观测峰值风速 50 m s⁻¹Pangu 预报始终 30 m s⁻¹Chanthu (2021) 的 24 h ≈ 30 m s⁻¹ 增强在 Pangu 预报中只表现为微小起伏。Pangu 的标准差明显小于观测如 Nanmadol 低约 40%与观测的相关系数普遍 0.5WRF 在 Florence、Chanthu、Rai 等例中虽也偏低但趋势与观测更一致能部分捕捉 RI。3.路径预报图 2、图 3•RI TC图 26 例 RMSE 均 100 kmMuifa (2022) 242.3 km、Florence (2018) 309.4 km其中 Laura (2020) 与 Rai (2021) 两例 Pangu 优于 WRF图 2(d)(f) 红框。•non-RI TC图 3Pangu 三例 RMSE 均 100 kmYutu 76.3、Xianba 62.5、Fiona 33.2WRF 在 Yutu/Xianba 上明显偏大158.5、91.2Pangu 在 non-RI TC 路径上整体优于 WRF与 Bi et al. (2023) 对 2018 年 88 个 TC 的结论一致。4.时效与机理图 4non-RI TC图 4a–c中 Pangu 位置误差最大值均 150 km全程有起伏但均值较稳定WRF 误差随时效呈单调上升符合数值模式误差累积特征。RI TC图 4d–i中 Chanthu、Nanmadol、Muifa、Florence 四个例里 Pangu 误差随时效明显陡升Laura、Rai 增速相对较缓但也接近或 200 km。结合图 1 可看出Pangu 路径误差显著增大并维持高位的时段恰好发生在 TC 完成 RI、达到最大强度之后Laura 误差在 RI 期呈阶梯式上升Rai 在第一次 RI 期上升、第二次 RI 期相对平稳并略降。说明 Pangu 抓不到 RI 的快速变化与极端值对应时段路径也偏弱RI 对 Pangu 路径的影响比对 WRF 更显著。5.机理讨论Pangu 训练数据 ERA5 分辨率仅 0.25°低于 WRF 等高分辨率 NWP难以解析次网格物理过程导致预报更贴近大尺度环境场而非 TC 自身特征。RI TC 在全球再分析数据中时空占比小被数据驱动的 Pangu 在优化过程中被更频繁、强度中等的天气系统主导极端事件被平均效应平滑。路径上弱 TC 受环境流引导易预测强 TC 自主控制路径难预测Pangu 擅长大尺度引导流所以弱 TC / 非 RI 路径好强 TC / RI 路径差WRF 擅长中尺度对流过程对内部动力强的 TC 更友好。6.结论与展望Pangu 在 RI TC 上强度系统偏低、路径误差大其黑箱特性使结果更适合统计解释而非物理解释。后续工作建议a在 AI 训练中引入物理约束b对大模型输出做中小尺度的强度订正c用 XAI可解释 AI探查 Pangu 决策依据。图片图 16 个 RI TC 的中心气压与 10 m 最大风速预报时序对比图 1Pangu红与 WRF绿对 6 个 RI TC 的中心气压hPa左与 10 m 最大风速m s⁻¹右预报时序附最佳路径 OBS黑。子图(a) Nanmadol (2022)、(b) Chanthu (2021)、(c) Muifa (2022)、(d) Laura (2020)、(e) Florence (2018)、(f) Rai (2021)。每个子图蓝虚线之间为标定的 RI 过程。Pangu 强度曲线普遍远低于 OBS 且过度平滑WRF 趋势更接近观测Nanmadol 实测峰值风速 50 m s⁻¹Pangu 始终 30 m s⁻¹。图 26 个 RI TC 的路径预报与 RMSE图 2(a–f) Pangu红、WRF绿对 6 个 RI TC 的路径预报及 OBS黑(g) Pangu 与 WRF 路径 RMSEkm柱状对比。Pangu 6 例 RMSE 均 100 kmNanmadol 169.3、Chanthu 138.3、Laura 161.0、Muifa 242.3、Florence 309.4、Rai 127.5(d) Laura (2020) 与 (f) Rai (2021) 两例红框Pangu 优于 WRF——与这两例峰值强度持续短、强度起伏大时间平均强度偏弱有关。图 33 个 non-RI TC 的路径预报与 RMSE图 3(a–c) Pangu红、WRF绿对 3 个 non-RI TC 的路径预报及 OBS黑(a) Yutu (2018)、(b) Xianba (2022)、(c) Fiona (2022)(d) RMSEkm柱状对比。Pangu 三例 RMSE 均 100 km76.3 / 62.5 / 33.2明显优于 WRFYutu 158.5、Xianba 91.2、Fiona 42.5与 Bi et al. (2023) 对 2018 年 88 个 TC 的结论一致。图 49 个 TC 路径误差随时效的演化图 4Pangu红与 WRF蓝路径误差km随预报时效h的逐 TC 演化。(a–c) non-RI TCYutu (2018)、Xianba (2022)、Fiona (2022)Pangu 误差平稳最大值 150 kmWRF 随时效单调上升。(d–i) RI TCChanthu (2021)、Nanmadol (2022)、Laura (2020)、Muifa (2022)、Florence (2018)、Rai (2021)Pangu 在 Chanthu/Nanmadol/Muifa/Florence 中误差随时效陡升Laura、Rai 上升相对缓。结合图 1 可见误差显著增大并维持高位的时段恰发生在 TC 完成 RI、达最大强度之后——Pangu 抓不到 RI 的快速变化对应时段路径也偏弱RI 对 Pangu 路径的影响比对 WRF 更显著。