盘古气象大模型在东北地区适用性的初步评估

Applicability Assessment of the Pangu Weather Forecast Model in Northeast China

摘要

通过对比检验分析欧洲中心全球中期预报模式（EC）驱动的盘古气象大模型产品与EC预报产品，初步评估了盘古气象大模型在东北地区2023年3—9月强降水、系统性大风、高温等高影响天气过程中的适用性，结果表明：（1）东北区域强降水过程中，500 hPa高度场EC预报效果较好，850 hPa湿度场盘古预报较佳。850 hPa经纬向风速与温度预报方面，EC在短中期时效预报效果较好，盘古在长时效内误差较低。（2）对于系统性大风中的海平面气压、10 m风向与风速预报，EC在120 h时效以内有优势。（3）对于夏季高温预报，EC预报效果优于盘古。（4）同EC相比，盘古在极端性表现方面存在不足，强降水个例850 hPa湿度与风速、系统性大风个例10 m风速与高温个例35 ℃以上温度预报均偏弱。

Abstract

A preliminary assessment was conducted to evaluate the performance of the Pangu Weather Model， driven by the European Centre for Medium-Range Weather Forecasts （ECMWF） model， compared to ECMWF forecast products in northeast China from March to September 2023. The analysis focused on intense precipitation， systematic strong winds， and high temperatures. The results indicate the following：For intense precipitation events in northeast China， the 500 hPa geopotential height field in the ECMWF forecast performs better， whereas the 850 hPa humidity field in the Pangu forecast demonstrates superior performance. Regarding forecasts for the 850 hPa wind field and temperature， ECMWF performs better in short- to medium-term forecasts， while Pangu exhibits lower errors in long-term forecasts.For systematic strong winds， ECMWF shows advantages within 120 forecast hours for sea-level pressure， 10-meter wind direction， and wind speed.For summer high-temperature forecasts， ECMWF outperforms Pangu.In typical cases involving these weather phenomena， Pangu shows limitations in predicting extreme weather events. For intense precipitation， Pangu underestimates 850 hPa humidity and wind speed. Similarly， for systematic strong winds， Pangu’s 10-meter wind speed forecasts are weaker. Compared to ECMWF，Pangu's temperature forecasts for values above 35 °C are also less accurate in extreme temperature event.

Graphical abstract

关键词

盘古气象大模型 / 东北地区 / 适用性评估 / 高影响天气

Key words

Pangu weather forecast model / northeast China / applicability verification / high-impact weather

近年来，人工智能相关技术在气象预报中的应用越来越广泛。人工智能尤其是深度学习技术在天气系统识别、大数据处理、时空预测以及空间建模等方面相较于传统方法存在一定的优势^[1-3]。Chantry等^[4]将人工智能在气象中的应用分为三方面：一是使用人工智能技术优化或代替数值模式中的参数化方案，二是将人工智能应用于模式解释应用与预报后处理、统计降尺度等方面，三是使用海量数据驱动，训练得到天气预报模型。

在纯数据驱动的气象大模型中，华为云的研究人员提出了一种新的高分辨率全球AI气象预报系统：盘古气象大模型^[5]，模型通过基于统计动力模型的思想开展天气预报，使用的数据为1979—2018年欧洲中心第五代全球实况再分析气象数据（ERA5），其中，1979—2017年数据为训练集，2018年数据为测试集。输出的高空产品包含13个气压层（10、100、150、200、250、300、400 、500、600、700、850、925 、1 000 hPa）的5种气象要素（温度、湿度、位势、经向风速、纬向风速），地面产品包含四种要素（2 m温度、10 m经向风速、10 m纬向风速、海平面气压），两种产品空间分辨率均为0.25°×0.25°，时间分辨率最高可达1 h。该模型主要有两方面特点：一是应用了3D Earth-Specific Transformer方法，在transformer模块中引入了和纬度、高度相关的绝对位置编码学习每一次空间运算的不规则分量从而更好地处理复杂的三维气象数据；二是使用层次化时域聚合策略减少迭代误差。盘古大模型共包括4个时间间隔（1、3、6、24 h）模型，与传统数值模式不同的是，盘古大模型不同时效的预报需要通过组合不同时间间隔模型实现。Bi等^[5]指出盘古大模型在单张V100中仅需1.4 s即可完成一次24 h时效预报，较传统数值模式快1万倍。通过检验，盘古大模型全球范围相关要素预报均方根误差较EC降低超过10%，相关研究^[6-7]指出该模型还可以由ERA5外的其他业务模式（如EC、CMA-GFS等）驱动运行，获得较为稳定的预报效果。

盘古大模型运算速度快，易于部署并且理论上可以迭代得到无限长时效的预报，由于ERA5更新的滞后性，无法使用ERA5作为驱动场进行实时业务预报，更好的解决方案为使用EC等业务模式零场驱动盘古大模型，但是替换驱动场之后计算得到的预报产品对于某地区典型天气预报能力与适用性如何还有待检验评估。因此本文主要对EC零场驱动的盘古大模型（简称“盘古”）在东北地区典型强降水、系统性大风、高温等天气过程中的预报能力进行适用性评估，以期初步了解盘古大模型在东北地区的预报能力。

1 资料与方法

对2023年3月1日—9月30日东北区域（吉林、辽宁、黑龙江与内蒙古通辽、赤峰、呼伦贝尔、兴安盟）典型强降水、高温、系统性大风过程进行统计，对比分析EC和盘古每日20时起报的0～168 h时效预报效果。根据影响系统对强降水过程进行分型检验，根据大风区对系统性大风进行分区检验。检验的高空量包括500 hPa高度场与850 hPa温度、湿度、经向和纬向风速，将其同ERA5资料进行格点检验；地面量包括2 m温度、10 m风向、10 m风速、海平面气压，将其同东北地区345站国家级观测站实况进行站点检验（插值方式为临近点插值）。检验指标包括平均绝对误差（MAE）、准确率、TS评分、Bias评分等。

2 典型强降水过程中环流形势预报能力检验

东北冷涡、台风、副热带高压后部切变线（简称“副高后切变”）以及地面气旋等是常见的能够引发东北地区强降水的天气系统^[8-11]。通过统计筛选，2023年东北地区共有6次典型强降水过程（简称“典型过程”），对应影响系统与降水范围如表1所示。由于盘古大模型无地面降水相关产品，因此本文重点检验盘古与EC 500 hPa高度场、850 hPa经纬向风速、温度与比湿等高空要素预报能力。

2023年汛期典型强降水个例中，EC与盘古的500 hPa高度、850 hPa温度、纬向风、经向风以及比湿平均绝对误差见图1。500 hPa高度场预报与实况的MAE显示(图1a)，长时效内EC预报优势较大。0～72 h时效，盘古与EC预报能力相当，57 h时效，MAE＜1 dagpm；在78 h时效之后两者分歧逐渐加大；至168 h时效，盘古的MAE为3.86 dagpm，EC为2.81 dagpm，EC的MAE增长速度低于盘古。分析不同类型强降水500 hPa高度场预报性能的差异发现，两种产品对东北冷涡500 hPa高度场预报效果较差，27 h时效，盘古东北冷涡高度场MAE为最大，至168 h时效，同EC间差距达2.45 dagpm；两种产品在台风与副高后切变暴雨高度场预报能力变化趋势基本一致，对台风高度场预报优于副高后切变。

850 hPa典型过程温度预报中，0～108 h时效，EC相对于盘古大模型有优势，108 h之后EC的MAE高于盘古大模型，但相差不大（MAE最大相差约0.18 ℃）(图1b)。分类型检验中，副高后切变个例在大多数时效预报效果优于EC；台风个例中两种产品效果相当；冷涡个例中EC仅在0～63 h时效内略优于盘古，长期时效内EC对东北冷涡温度预报误差较大。

两种产品典型过程中，850 hPa经向风预报效果均略优于纬向风，经、纬向风速预报能力变化趋势基本一致，以96 h时效为分界点，96 h之前EC预报误差较低，96 h之后盘古的预报误差较低 (图1c、d)。两种产品在冷涡降水个例经、纬向风速的预报效果趋势类似，均为短期时效内误差相近，长时效内盘古具有优势；副高后切变个例EC优势主要集中在51～114 h时效；台风个例预报效果相近。

典型过程850 hPa比湿场预报中两种产品分歧较大(图1e)，盘古对于比湿的预报在138 h时效之前均优于EC预报，两者MAE相差最大达到0.3 g/kg，138 h后两者预报能力相当。台风个例与副高后切变个例中盘古的比湿预报均优于EC，且部分时段优势明显。盘古能较好地描述热带、副热带相关系统的湿度场；冷涡个例中盘古在144 h前的大部分时效比湿较EC略有优势。

2023年8月1—5日，受台风“杜苏芮”残余环流以及副高后切变的共同影响，东北地区出现了一次强降水天气过程，站点最大累计过程降水量达501.1 mm（吉林舒兰永胜林场），主雨带位于黑龙江、吉林交界处（45°N附近），降水时间主要集中在2日20时—3日20时。图2为实况、盘古与EC的500 hPa位势高度、850 hPa风场、850 hPa比湿与850 hPa温度。8月3日8时，副热带高压呈带状分布，588 dagpm等值线位于38°N附近，东北地区上空500 hPa位势高度等值线以纬向型为主，仅在117°E，47°N附近存在一弱槽，该弱槽受850 hPa冷平流影响持续发展(图2a)。主雨带上空850 hPa低空急流头部位于130°E，45°N并伴有偏东风与偏西风切变配合，急流中心最大风速超过22 m/s，比湿大值区位于吉林省中部，约为15 g/kg。8月3日20时(图2d)，受弱槽发展影响，其东部低空偏东风显著增强，吉林、黑龙江两省交界处的偏东风与偏西风切变相应增强，同时主雨带上游比湿增强至18 g/kg。850 hPa急流头部、偏东风与偏西风切变的增强以及充沛的水汽条件是主雨带产生的重要原因。

EC(图2b)与盘古(图2c) 36 h时效预报（对应实况3日8时）均能较好地预报出500 hPa高度场的纬向型分布，两者对弱槽预报均偏强，EC预报出一572 dagpm闭合等值线。对于主雨带上空的低空急流强度，EC预报更贴近实况，盘古未能预报出大于20 m/s的风速大值区，同时盘古对急流北部的偏东风风速预报偏小，导致切变强度偏小。2个预报产品对低空比湿的预报均偏强，但盘古较EC更接近实况。

EC(图2e)与盘古(图2f)48 h时效预报(对应实况3日20时)对于500 hPa低槽的发展虽有低估，但均能预报出低槽区域东侧850 hPa偏东风的增强趋势。实况急流头部（125°E，45°N）风向以西南风为主，切变线位置约为47°N，盘古对于低空急流风向与切变线位置预报贴近实况，EC切变线位置预报偏南（约45°N），预报偏差较大。比湿预报方面，盘古大模型对于17 g/kg的范围预报较好，但是低估了≥18 g/kg的比湿分布范围，而EC能够预报出≥18 g/kg的比湿分布，较好地预报出过程比湿的极端性，2个预报产品对水汽快速增强均有较好的表现能力。

EC模式在对应实况3日8时与20时的全时效预报中，500 hPa环流形势均以纬向型为主，与实况相符；而盘古大模型对应实况3日8时的120～168 h时效预报中，高度场经向度较强，168 h时效预报辽东半岛存在闭合的台风中心，随着时效的临近，经向度逐渐减弱。模式预报500 hPa高度场稳定性方面，EC优于盘古。

3 系统性大风预报能力检验

系统性大风是东北地区春季频发的高影响天气之一。综合已有研究，东四盟南部（东四盟风区）、辽宁中北部和吉林中部（辽吉风区）以及黑龙江东南部（龙江风区）等三地是东北地区较为典型的大风风区^[12-13]，2023年东北地区共有7次典型系统性大风过程，具体影响范围如表2所示。

图3为东北全区与不同风区气压MAE、风向与风速准确率预报能力时序图。气压MAE方面（图3a），EC与盘古在东北地区预报能力相似，两者误差增长速度均从72 h时效后开始加快，EC优势区间位于0～114 h时效，盘古预报优势区间为120～168 h时效；两种产品在不同风区短期时效内气压预报能力基本相同，随着时效增加，不同风区预报能力差异加大。辽吉风区气压误差较其他2个风区增长较慢，自138 h时效后，EC在东四盟风区预报误差最大，盘古对于EC预报有较高的正技巧。风向预报能力方面（图3b），东北区域范围内，EC短中期时效内预报准确率在15、30、60、96 h时效预报中优势较大，盘古150 h时效后有预报优势；不同风区风向预报准确率起伏均较大。风速方面（图3c），二者在东北地区表现能力基本相同，EC略优于盘古，两者准确率随着时效的增长均逐渐下降，138 h时效之后盘古展现出优势；东四盟风区各个时效预报准确率较为稳定，但准确率较低，2个风区预报起伏较大。总体来看，两种产品在辽吉风区的预报准确率相近且预报效果较好。

4月11日14时，东四盟大部、辽宁西部和北部、吉林中西部、黑龙江东南部出现大范围系统性大风天气，多站出现超过6级小时平均大风或超过8级瞬时极大风，最大小时平均风速与瞬时风速均出现在内蒙古巴林左旗林东站，分别达20、28.8 m/s。在临近时段（18 h时效）2个预报产品对地面气压场形态与气压梯度预报均与实况较为一致，EC更高的空间分辨率使其在各预报时效内气压场细节描述更好，海平面气压等值线曲折度更接近实况。图4为实况6级以上大风同EC、盘古预报风矢量的对比。观测风向以偏西风为主，风矢量主要集中于0～45°象限（第一象限）与315°～360°象限（第八象限）。EC与盘古的风向预报以西西北风为主，第八象限6级以上大风预报频率均较实况偏大，EC偏大幅度高于盘古。风矢量预报稳定性方面来看，EC模式预报结果调整较大，随着时效的临近，西西北平均风速预报逐渐接近实况，自114 h时效开始趋于稳定，162 h时效与18 h时效相比平均风速预报由10.8 m/s调整至15.2 m/s。盘古大模型西西北风预报调整较小，但对于平均风速的预报偏小（13.7 m/s），对风速的极端性表现不足。

4 高温过程预报能力检验

2023年夏季东北共出现2次＞35 ℃的大范围持续性高温过程（共计11 d），具体时间与高温范围如表3所示。

由图5可知，2次事件高温日逐3 h气温预报中EC在大部分时效中均优于盘古。气温MAE方面（图5a），EC绝大部分时效误差均低于盘古（除27、51、162 h时效）；1 ℃以内气温准确率方面（图5b），EC预报能力高于盘古，特别是在0～96 h时效内优势明显。

6月22—26日高温过程中，东四盟中部、辽宁西部、吉林西部等地温度＞35 ℃，部分地区＞38 ℃，最大高温范围出现在6月25日14时(图6a），气温极值出现在内蒙古通辽市扎鲁特旗站（39.9 ℃）。低层下沉气流引起的增温与高空强烈的暖平流是导致高温发生的重要因素之一^[14-16]，高温区域上空850 hPa以西南气流为主，850 hPa高度场较平直，风场存在弱气旋性切变。受前期低空强暖平流的影响，地面35 ℃区域对应上空850 hPa温度增温明显，6月24日20时，暖平流头部移至东四盟中部，850 hPa温度达到24 ℃以上。另一方面，扎鲁特旗站(120.75°E，45.2°N)上空850 hPa风速约为10.7 m/s，925 hPa风速为7.43 m/s，垂直风切变为3.3 m/s，存在明显的补偿下沉气流。

由图6b可见，EC和盘古对于此次过程逐日14时气温预报在30 ℃以上预报能力基本一致，盘古的bias评分更接近1，预报效果略优于EC，EC预报偏差主要由于空报导致。90 h时效之前两种产品气温预报在32 ℃以上TS评分相近，此后EC评分高于盘古，EC的预报偏差仍由空报导致，而盘古的预报偏差是对高温站点漏报的结果，可能是由于人工智能模型在学习中极端样本数量不足导致的。值得注意的是，在35 ℃以上站点TS评分中，EC模式在所有时段均高于盘古，特别是在90 h时效，TS评分为0.6，而盘古为0.21，90 h时效后，盘古存在漏报，TS评分＜0.1，而EC仍能保持0.2以上的TS评分。两种产品在对应的6月24日20时预报方面，对暖平流的移动、850 hPa增温有较好的表现能力，高温区域上空850 hPa温度均超过24 ℃。盘古对850 hPa风速预报偏大，扎鲁特旗站附近格点风速为11.1 m/s，925 hPa风速为9.7 m/s，相差1.4 m/s，补偿下沉运动较实况偏弱。EC的850 hPa风速为8.7 m/s，925 hPa风速为5.8 m/s，相差2.9 m/s，无论是中低层风速还是垂直风切变都更接近实况。

5 结论与讨论

通过检验与对比分析EC与EC驱动的盘古气象大模型在2023年3—9月东北地区典型强降水、系统性大风、高温等天气过程要素预报能力，得出如下结论：

（1）在东北地区典型强降水预报中， EC在500 hPa高度场的预报效果较好，在东北冷涡个例中优势较大，特别是长时效预报优势更为突出。盘古在850 hPa湿度预报中有优势，多数时效预报效果均优于EC，对于热带、副热带系统湿度有较好的预报能力。对于850 hPa经纬向风速与温度预报，EC在96 h时效以内的短中期预报效果较好，盘古在长时效内误差较低。在台风“杜苏芮”残余环流引起的东北地区强降水过程中，盘古在切变线位置、中等量级比湿分布方面较EC有优势，但是对于850 hPa风场与比湿极端性表现不足。预报稳定性方面，EC在各个时效500 hPa高度场预报以纬向型为主，预报较稳定，而盘古在长时效预报出较强的经向性。

（2）系统性大风事件时，120 h时效内，EC海平面气压、10 m风向与风速预报更优，在部分时段中风向预报的优势较大，盘古仅在120 h 以上的预报效果优于EC，EC与盘古对辽吉大风区的风速预报准确率均较好。4月11日大风事件中，EC与盘古地面气压场形态预报与实况较为一致，风向预报略偏南。随着时效的临近，EC虽然预报调整较大，但是对于风速的极端性有较好的表现。

（3）对于东北地区2023年夏季两次高温过程， EC预报效果均优于盘古，部分时效优势明显。6月25日35 ℃以上高温预报中，EC与盘古预报性能差异较大，EC在所有时段TS评分均高于盘古，盘古在90 h以上时效几乎无预报能力，漏报严重，极端事件训练样本不足，对于850 hPa风速及低层补偿气流预报偏差较大，可能是预报能力较差的重要原因。

盘古大模型在某些方面预报效果确实能够与EC媲美，盘古气象大模型具有运算速度快、易于部署、可以无限迭代得到长时效的预报等优点，但是在实际应用中，盘古目前提供的0.25°×0.25°空间分辨率地面要素产品不能满足智能网格预报中5 km分辨率、重点地区1 km分辨率精细化预报的要求。此外，由于盘古模型输出未考虑降水，限制了预报员日常使用。盘古在2023年典型天气过程极端性方面表现不足，因此能否将盘古应用于高影响天气预报中仍需进一步研究。

参考文献

[1] 杨绚,代刊,朱跃建.深度学习技术在智能网格天气预报中的应用进展与挑战[J].气象学报,2022,80(5):649-667.

[2] YANG Xuan, DAI Kan, ZHU Yuejian.Progress and challenges of deep learning techniques in intelligent grid weather forecasting[J].Acta Meteorologica Sinica,2022,80(5):649-667.(in Chinese)

[3] 张勇,刘慧,郑颖菲,等.人工智能模型的分类临近预报产品效果检验与分析[J].沙漠与绿洲气象,2023,17(1):115-121.

[4] ZHANG Yong, LIU Hui, ZHENG Yingfei,et al.Effect validation and analysis of classified products outputted by artificial intelligent nowcasting model[J].Desert and Oasis Meteorology,2023,17(1):115-121.(in Chinese)

[5] 袁凯,李明,庞晶,等.决策树算法在雷达反射率因子质控中的应用[J].沙漠与绿洲气象,2023,17(1):139-144.

[6] YUAN Kai, LI Ming, PANG Jing,et al.Application of decision tree algorithm in the quality control for radar reflectivity[J].Desert and Oasis Meteorology,2023,17(1):139-144.(in Chinese)

[7] Chantry M, Christensen H, Dueben P,et al.Opportunities and challenges for machine learning in weather and climate modelling:Hard,medium and soft AI[J].Philosophical Transactions of the Royal Society A-Mathematical,Physical and Engineering Sciences,2021,379(2194):20200083.

[8] BI Kaifeng, XIE Lingxi, ZHANG Hengheng,et al.Accurate medium-range global weather forecasting with 3D neural networks[J].Nature,2023,619(7970):533-538.

[9] CHENG Wencong, YAN Yan, XIA Jiangjiang,et al.The compatibility between the Pangu weather forecasting model and meteorological operational data[J].arXiv preprint arXiv 2023:2308.04460.doi.org/10.48550/arXiv.2308. 04460

[10] Ben-Bouallegue Z, Clare M C A, Magnusson L,et al.The rise of data-driven weather forecasting[J].Bulletin of the American Meteorological Society,2024:105(6):864-883.

[11] 朱晓彤,姚凯,李尚锋,等.SAL方法在东北地区台风降水预报检验中的应用[J].气象与环境学报,2023,39(3):31-39.

[12] ZHU Xiaotong, YAO Kai, LI Shangfeng,et al.Application of the SAL method to test the precipitation forecast of typhoons in Northeast China[J].Journal of Meteorology and Environment,2023,39(3):31-39.(in Chinese)

[13] 云天,王宁,刘子琪,等.东北冷涡减弱阶段强对流天气特征及触发机制分析[J].沙漠与绿洲气象,2022,16(1):24-31.

[14] YUN Tian, WANG Ning, LIU Ziqi,et al.Characteristics and trigger mechanism of severe convection weather during the declining northeast cold vortex[J].Desert and Oasis Meteorology,2022,16(1):24-31.(in Chinese)

[15] 王东海,钟水新,刘英,等.东北暴雨的研究[J].地球科学进展,2007,22(6):549-560.

[16] WANG Donghai, ZHONG Shuixin, LIU Ying,et al.Advances in the study of rainstorm in northeast China[J].Advances in Earth Science,2007,22(6):549-560.(in Chinese)

[17] 姚凯,朱晓彤,杨旭,等.2022年夏季CMA区域模式东北冷涡降水预报检验评估[J].气象灾害防御,2023,30(3):25-29.

[18] YAO Kai, ZHU Xiaotong, YANG Xu,et al.Verification of CMA regional models precipitation forecast of northeast China cold vortex in 2022 summer season[J].Meteorological Disaster Prevention,2023,30(3):25-29.(in Chinese)

[19] 李方昊,范昊明,石昊,等.东北地区极端大风时空分布特征及其对风蚀量的影响[J].应用生态学报,2024,35(1):87-94.

[20] LI Fanghao, FAN Haoming, SHI Hao,et al.Spatial and temporal distribution characteristics of extreme wind and its effect on wind erosion in Northeast China[J].Chinese Journal of Applied Ecology,2024,35(1):87-94.(in Chinese)

[21] 杨雪艳.中国东北地区风的气候变化特征及大风的成因研究[D].兰州:兰州大学,2008.

[22] YANG Xueyan.Studies on windy climatic change and the formative causes of strong wind in northeast China[D].Lanzhou:Lanzhou University,2008.(in Chinese)

[23] 彭京备,孙淑清,林大伟.2022年8月长江流域持续性极端高温事件成因[J].应用气象学报,2023,34(5):527-539.

[24] PENG Jingbei, SUN Shuqing, LIN Dawei.The extreme hot event along the Yangtze Basins in August 2022[J].Journal of Applied Meteorological Science,2023,34(5):527-539.(in Chinese)

[25] 高洁,肖红茹,郭善云.2022年夏季四川持续高温干旱特征及成因分析[J].沙漠与绿洲气象,2023,17(5):118-126.

[26] GAO Jie, XIAO Hongru, GUO Shanyun.Characteristics and mechanisms of persistent high temperature and drought during summer in 2022 in Sicuan[J].Desert and Oasis Meteorology,2023,17(5):118-126.(in Chinese)

[27] 罗娟,邓承之,朱岩,等.2022年盛夏重庆不同阶段高温特征及成因对比[J].气象,2023,49(9):1108-1118.

[28] LUO Juan, DENG Chengzhi, ZHU Yan,et al.Comparison on characteristics and causes at different stages of the extreme heat event in Chongqing in the 2022 midsummer[J].Meteorological Monthly,2023,49(9):1108-1118.(in Chinese)

基金资助

中国气象局复盘专项(FPZJ2024-032)

中国气象局复盘专项(FPZJ2024-031)

吉林省科技发展计划项目(20220203186SF)

吉林省气象局技术发展专项(202304)