866 / 2026-03-26 15:41:54

基于深度学习的流依赖背景误差协方差构建及其在强对流同化中的应用

资料同化,强对流,背景场误差协方差,深度学习

主题1 天气、气候、全球变化、行星大气 > 专题1.20 灾害性天气的资料同化与发生发展机理

针对当前三维变分（3DVar）静态背景误差协方差（BEC）难以捕捉强对流非线性误差特征，且集合-变分混合方法计算成本高昂的业务瓶颈，本研究针对强对流预报，开发了一种基于人工智能驱动的流依赖背景误差协方差（AI-BEC）方案。研究构建了改进的VGGNet深度学习模型以实时估计背景场不确定度，并将其映射为动态权重矩阵，从而在变分框架内实现对静态BEC的灵活调节。理想单点试验结果表明，采用AI-BEC能够生成契合背景场不确定度的各向异性分析增量；实际强降水个例的评估显示，采用AI-BEC有效克服了使用传统静态BEC方案易导致降水强度系统性高估的缺陷。定量检验显示，AI-BEC方案在维持降水落区预报准确率（POD）的前提下，显著降低了暴雨及大暴雨级别的虚警率，全面提升了高阈值下的TS评分。综上，AI-BEC方案在不显著增加计算负担的前提下，成功捕捉了由天气形势驱动的流依赖误差，为快速更新循环同化业务系统引入动态误差演变特征，提供了一种兼具高计算效率与预报精度的解决方案。