摘要
次季节预测在农业规划、防灾减灾和水资源管理等领域具有重要意义。基于人工智能的“风顺”次季节预测模型(CMA-AIM-S2S-Fengshun),结合自主研发的CRA-40再分析数据和FY-3E卫星数据,通过级联Swin Transformer模块和智能扰动生成技术,实现了气候多要素集合预测。对2017—2021年中国区域降水的历史回算检验表明,“风顺”在逐候平均降水预测中的表现显著优于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)模式,整体技巧提升18.6%,其中华南地区提升41.2%,东部地区提升26.5%。在MJO(Madden-Julian Oscillation)预测方面,“风顺”将技巧保持时间延长至32 d(CRA-40驱动),超过ECMWF的30 d基准。个例分析显示,模型对2024年7月中旬华北强降水过程的落区和强度预测精度更高,提前3~4候捕捉到关键异常信号。
Abstract
Subseasonal prediction—forecasting weather and climate phenomena 2 to 6 weeks ahead—plays a pivotal role in sectors ranging from agriculture and disaster risk reduction to water resource management and energy planning.Accurate predictions at this timescale are critical for mitigating impacts of extreme events like floods,droughts,and heatwaves,yet they remain notoriously challenging.Traditional numerical weather prediction (NWP) models,despite advancements through ensemble systems,suffer from diminishing predictability due to rapid decay of initial condition signals.Machine learning (ML) approaches offer promise but have shown limited success in subseasonal scales,hindered by narrow variable coverage,insufficient uncertainty quantification,and reliance on foreign datasets like ERA5,which poses risks to data sovereignty and operational autonomy.To address these gaps,this study introduces “Fengshun” (CMA-AIM-S2S-Fengshun),an artificial intelligence (AI) large model developed collaboratively by the National Climate Center and Fudan University.Leveraging domestically produced CRA-40 reanalysis data and FY-3E satellite observations,the model aims to establish a robust,autonomous subseasonal prediction framework for China's regional precipitation.The “Fengshun” system employs a cascaded Swin Transformer architecture to model spatiotemporal dependencies in meteorological fields.Its core innovation lies in a novel intelligent perturbation generation module,which integrates Kullback-Leibler (KL) divergence and L1 loss optimization to learn low-rank Gaussian distributions of historical data and prediction time features.During inference,this module generates probabilistic ensemble forecasts by sampling perturbation vectors,effectively mitigating error accumulation in autoregressive predictions and providing probabilistic representations of future climate states.Unlike many existing AI models dependent on foreign datasets,“Fengshun” is trained entirely on Chinese-controlled data,ensuring real-time data assimilation (with same-day updates,5 days faster than ERA5-based models) and operational independence.Historical hindcasts from 2017 to 2021 (independent of the training dataset) were validated against ECMWF's subseasonal-to-seasonal (S2S) predictions,using CRA-40 reanalysis as ground truth.The evaluation focused on precipitation anomaly percentage over China,with metrics including temporal correlation coefficient (TCC) for skill assessment and root-mean-square error (RMSE) for magnitude accuracy.while case studies examined the model's performance during the July 2024 North China heavy precipitation event.“Fengshun” outperformed ECMWF across most subseasonal ranges (15—45 days lead time),achieving an 18.6% improvement in TCC and a 7.8% reduction in RMSE for national-averaged pentad precipitation.The model demonstrated exceptional skill in South China (41.2% TCC improvement) and East China (26.5% improvement),maintaining predictability up to 8 pentads (40 days) during the summer flood season,a period critical for disaster preparedness.The Madden-Julian Oscillation (MJO),a key driver of subseasonal variability,was predicted with a skill retention time of 32 days using CRA-40 data,surpassing ECMWF's 30-day benchmark.This advancement is attributed to the model's ability to capture tropical-extratropical interactions,which are fundamental to East Asian monsoon dynamics and precipitation patterns.For the mid-July 2024 event,“Fengshun” accurately predicted the spatial distribution and intensity of precipitation anomalies 3—4 pentads (15—20 days) in advance.At a 7-day lead time,its area correlation coefficient (ACC) reached 0.80,compared to ECMWF's 0.68,and threat scores (TS) for extreme precipitation (＞100% anomaly) were 0.36 versus ECMWF's 0.24,highlighting superior early-warning capabilities.By leveraging indigenous data and advanced AI architecture,“Fengshun” delivers robust subseasonal precipitation forecasts with marked improvements over traditional models,particularly in regions vulnerable to monsoon-driven extremes.Its operational deployment promises to enhance proactive disaster response,agricultural planning,and water resource management,exemplifying the potential of AI to transform climate science and service.
次季节-季节预测（sub-seasonal to seasonal，S2S; 提前2至6周）介于短期天气预报（提前15 d）与长期气候预测（提前3 mon及以上）之间。在这个时间尺度上进行预测对于各种生产生活场景的应用是必不可少且具备显著社会经济效益的，包括农业规划、备灾、减轻热浪、干旱、洪水和寒潮等极端事件的影响，以及水资源管理、应急物资储备、清洁能源供需等。改进并提升对连续降雨、极端高温等灾害性天气事件的S2S预测能力对减少灾害风险及保护我国民众的生命和财产安全至关重要。
S2S尺度的精准预测具有挑战性，它既依赖于大气初始条件，又依赖于地球表面的边界条件。基于物理的传统数值天气预报模型基础上构建集合预报系统是提高次季节预报精度的一种被广泛认可的有效方法，但受限于初值信号随时间的快速衰减，导致可预测性显著下降。2013年，世界气象组织（WMO）联合世界天气（WWRP/THORPEX）和世界气候研究计划推出了S2S预测研究计划（Vitart et al.，2017），自此计划启动以来，已有12个国家/地区的次季节动力模式参与了回报试验和实时预报数据平台的建设。S2S动力模式的评估显示，模式对热带大气季节内振荡（Madden-Julian Oscillation，MJO）的预测能力有长足进展，但在对区域极端天气事件和气象要素的预测能力仍有限，仍需进一步拓展对次季节可预报性来源的认识（Vitart et al.，2017; Pegion et al.，2019）。除了深化预报理论的研究，开发有效的预报技术（例如多模式集合）也是提升次季节尺度预报技巧的重要途径之一。国家气候中心气候研究开放实验室于2020年正式启动了中国多模式集合预测系统2.0版本（CMMEv2.0）的建设，并于2022年9月完成了中国多模式集合预测系统2.0版本次季节预测子系统的建设（Wu et al.，2024），并实现了该业务平台的自动化运行。然而，纳入更多的动力模式和集合成员需要极高的计算成本（曙光派超算8 h生成4个预测样本/次），而机器学习方法提供了一个成本更低、可行性更高的方案（Cohen et al.，2019; Demaeyer et al.，2022）。
近年来，以人工智能技术为基础的气象人工智能模型技术飞速发展，在气象预测领域表现出超越传统数值模式的优异性能（杨绚等，2022; 零丰华等，2024; 田奇等，2024; 仲晓辉等，2024）。例如，英伟达提出的FourCastNet（Pathak et al.，2022）、华为提出的Pangu-Weather（Bi et al.，2023）、谷歌DeepMind提出的GraphCast（Lam et al.，2023）、上海人工智能实验室提出的FengWu（Chen K et al.，2023）、复旦大学提出的FuXi（Chen L et al.，2023），这些人工智能模型通常基于计算机视觉领域中的Transformer编解码架构，通过几十年的历史数据集进行训练和凭借超大参数量进行推理预测。但上述气象人工智能模型基于确定性预报适用于15 d内的天气尺度预测，不适用于气候尺度的概率预测。另一些针对气候预测的机器学习模型已在ENSO和季节性预报方面取得了显著的进步（Ham et al.，2019; Nguyen et al.，2023; Zhang et al.，2023），人工智能技术在气候预测应用方面的研究包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域（贺圣平等，2021; 杨淑贤等，2022）。但机器学习模型在次季节尺度预测方面依旧薄弱（He et al.，2021; Weyn et al.，2021; Kiefer et al.，2023），可能源于纳入模型的变量范围有限，以及采用的集成生成方法不足。例如，传统的集成预测机器学习技术在初始条件中引入随机扰动和改变模型结构时，往往会忽略背景流，从而导致集成扩散的快速减少。复杂性的表示不足是限制这些基于机器学习的次季节预测模型性能的主要原因。此外，目前人工智能模型的训练基于欧洲中心的ERA5数据，在模型训练上并不能做到“自主可控”，这为后续的业务系统建设带来一些风险。
针对上述问题，为弥补现有人工智能模型与机器学习方法的不足，并填补中国人工智能人工智能模型在次季节尺度业务预测中的空白，国家气候中心与复旦大学开展局校合作，基于自主的CRA-40再分析数据和FY-3E逐日实时OLR数据，研发了具有扰动流依赖特点与集合预测功能的人工智能模型“风顺”（CMA-AIM-S2S-Fengshun），与国家气象信息中心联合完成系统部署和业务应用。通过对回算数据的系统评估检验，本研究客观揭示了“风顺”对我国降水的预测技巧及其与ECMWF预测性能的差异。本文首先介绍“风顺”人工智能模型的技术原理与系统运行流程，其次对中国地区降水进行历史回算检验，针对实时运行的典型过程个例进行分析，最后进行讨论与展望。
1 系统介绍
“风顺”系统核心架构采用级联Swin Transformer 模块构建高效时空建模框架，通过移动窗口注意力机制在局部窗口内动态捕捉气象场多尺度空间依赖关系（如局地风暴与全球环流交互作用），并通过U型网络结构实现高分辨率气象要素预报。针对气候预测不确定性问题，系统创新性集成智能扰动生成模块，通过联合优化KL（Kullback-Leibler）散度和L1损失函数，在编码阶段学习历史数据与预测时间特征的低秩高斯分布参数，推理时通过扰动向量采样生成多组集合预报结果，有效缓解自回归预测误差累积问题，实现对未来多可能性的概率化表达。
风顺在保留FUXI-S2S架构核心优势的基础上（Chen L et al.，2023），重点探索国产风云卫星资料与国产同化再分析数据的预训练（pre-training）。与基于ERA5再分析资料驱动的模型相比，模型全部采用国产自主可控的数据集进行训练，部署与实时运行推送，与ERA5数据训练相比，“风顺”避免了数据不可控的“卡脖子”风险，此外在数据时效性上做到当日实时同化数据滚动更新预测，相比于滞后5 d左右获取的ERA5数据更加精准有效。
图1“风顺”系统智能集合扰动生成方案设计框架
Fig.1Framework of the intelligent perturbation generation scheme for the core algorithm of the “Fengshun” system
风顺系统部署在国家气象信息中心超算平台，提供逐日滚动的多要素气候预测产品，业务流程主要涵盖3个模块，数据准备阶段，系统所需要的CRA-40再分析数据、FY3E卫星数据、SST海温数据经CTS（China Meteorological Telecommunication System）推送至下游数据预处理。模型运行模块包含数据预处理、ONNX（open neural network exchange）运行、预测数据输出与后处理以及产品推送。
2 模式及检验评估方法
2.1 模式资料
用于检验的数据为“风顺”驱动的2017—2021年历史回算数据，其为独立验证期不参与模型训练，分辨率为1.5°×1.5°，集合成员数为51，用于对比的数据为ECWMF S2S对应年历史回算数据集，集合成员数与分辨率相同，气候态分别为“风顺”驱动的2006—2016年回算数据和ECWMF S2S 2006—2016年回算数据，检验真值为CRA-40再分析数据，其分辨率为2.5°×2.5°。将“风顺”与EC数据统一插值到CRA-40数据分辨率。检验区域为中国地区，检验变量为降水距平百分率，确定性检验均取集合成员平均后进行检验。因“风顺”回算数据集为逐日预报，ECWMF为逐周预报，检验起报日以ECWMF为标准对齐。
2.2 检验方法
时间相关系数（time correlation coefficient，TCC）指标用以评估某个区域（格点）预测变量与真值的时间相关系数:
(1)
(2)
图2“风顺”系统的业务试运行流程
Fig.2Operational workflow of the trial “Fengshun” prediction system
(3)
其中：i为第i个格点；N为预测总实例数；j为第j个时间点的预测实例；xi，j为检验真值；fi，j为预测值。
均方根误差（RMSE，用ERMS表示）指标用以评估预测变量的量级偏差大小，定义如下：
(4)
其中：i为第i个格点；fi为预测值；xi为检验真值。
3 降水检验评估
3.1 模式整体预测性能
图3显示“风顺”与ECMWF模式对中国区域全年降水距平百分率技巧的逐候评分，相较于ECMWF数值预报模式，“风顺”在预报时效15 d以上的中国候平均降水TCC预测技巧提升约18.6%，RMSE误差降低约3.2%。“风顺”在提前3~9候的降水预测中性能优于ECMWF。
“风顺”对中国全区降水的次季节预测性能优于ECMWF模式（图3），图4进一步分析模型对区域降水的预测技巧，整体来看，“风顺”在我国东部地区的评分技巧表现出色，提前7~8候对华南和长江中下游降水预测仍然具有技巧。而风顺则在东北和西北地区表现欠佳，在第6、7候表现为负技巧评分。经计算，其中对华南降水TCC技巧提升显著（约41.2%），而对东部地区提升约26.5%。细分不同预测时效的提升效果的比较显示，“风顺”在预报时效更长的预测中显示出更优越的预测技巧，以TCC技巧而言相比ECWMF，第3候提升6.0%，第4候提升12.9%，第5候提升23.6%，第6候提升31.4%，第7候提升33.3%，第8候提升25.0%，第9候提升31.8%。夏季降水逐候检验（图5）表明“风顺”在华南地区和长江中下游地区表现更佳，在提前5~8候预测时，模型对西北和东北大部分地区已无预测技巧，但对华南和长江中下游地区的降水仍然具有预测技巧，这意味着“风顺”在我国夏季汛期预测能够提供较好的预测参考依据。
3.2 可预报性来源分析
MJO作为次季节预测中重要的可预测来源，欧洲中心数值预报模式的MJO技巧达到30 d（Lim et al.，2019），中国气象局第三代气候业务系统次季节模式的MJO技巧为24 d，性能评估中ERA5驱动的“风顺”将MJO预测技巧提升至36 d，但业务运行中无法获取实时ERA5数据，会制约业务应用。再分析CRA-40和风云卫星驱动的“风顺”将MJO预测技巧提升至32 d（图7），同样优于ECMWF。此外“风顺”相比EC对春秋季MJO预测技巧更高（图略），对MJO位相转换的预测技巧更高。
“风顺”对我国东部、东南部降水预测准确率高于ECMWF的可能原因是，模型对MJO的把握更为精准。热带MJO活动对东亚夏季风雨带和我国东部降水的发生紧密相关，活跃于热带的MJO波动能量直接影响华南地区的对流活动，且MJO环流异常通过影响西太副高位置和相关的水汽输送特征，很大程度决定了汛期雨带的演变和强度。因此对于华南地区的高技巧评分可能同样受益于风顺对MJO更精准的预测。
3.3 个例检验
针对2024年7月中旬中原地区出现的强降水过程，“风顺”同样表现出优越的预测效果。此次过程（7月9—18日）于河南南阳出现特大暴雨，图8显示，“风顺”于7月1日起报时（提前8~17 d），其对降水正异常位置和南少北多的反相模态把握精准，而ECMWF则无法掌握这次降水过程，这意味着“风顺”提前3~4候预测对了这次过程，ECMWF的偏差可能意味着模式在较长的预报时效中，对强降水落区与强度的预测能力有限。图9显示，ECMWF在7月8日起报的结果中才出现明显的正异常，但其位置偏北偏弱，而“风顺”对于降水量级的准度以及位置的把握更加精准，尤其对东部地区雨带型态少-多-少三相的预测准确。为定量化评估ECMWF与风顺对此次过程的模拟性能，选取东部地区（105°~125°E，20°~45°N）进行ACC（空间相关系数）与TS评分检验。其中7月1起报ECWMF的ACC为0.30，“风顺”为0.42，7月8日起报ECWMF的ACC为0.68，“风顺”为0.80。对降水距平百分率大于100%（显著偏多），50%~100%（偏多）进行TS评分检验。7月1日起报的ECWMF的显著偏多的TS评分为0，偏多的TS评分为0.04，风顺显著偏多的TS评分为0.14，偏多的TS评分为0.07。7月8日起报的ECWMF的显著偏多的TS评分为0.24，偏多的TS评分为0.08，风顺显著偏多的TS评分为0.36，偏多的TS评分为0.13。定量化评估结果显示“风顺”对此次降水过程的落区预测较ECWMF精准，降水显著偏多及偏多的预测命中率高。
图3不同预报时效（单位：候）中“风顺”（红柱）和ECMWF（蓝柱）对中国降水距平百分率的TCC技巧（a）和RMSE（b）检验评分
Fig.3(a) TCC and (b) RMSE skill scores for precipitation anomalies over all of China, comparing “Fengshun” (red bars) and ECMWF (blue bars) at different forecast lead times (units:pentad)
图4不同预测时效下“风顺”系统对降水TCC技巧评分（阴影）的空间分布（打点区为通过90%置信度的显著性检验）:（a—f）提前3~8候
Fig.4Spatial distribution of TCC skills （shadings) for precipitation predicted by the “Fengshun” system at different forecast lead times.Dotted areas indicate regions where results pass the90% significance test: (a—f) Correspond to lead times from 3 to 8 pentads in advance
图5不同预测时效下“风顺”系统对中国降水夏季预测结果历史综合逐候检验的时间距平相关系数（TCC，阴影）检验结果（打点区为通过90%置信度的显著性检验）:（a—f）提前3~8候
Fig.5Historical pentad-by-pentad verification results for the summer precipitation predictions over China using the “Fengshun” system, showing TCC skills （shadings） at different forecast lead times.Dotted areas indicate results passing the90% significance test: (a—f) correspond to lead times from 3 to 8 pentads in advance
结合历史回算检验与典型个例过程来看“风顺”对于夏季汛期华南-长江中下游-华北地区的降水过程预测效果较佳，并显著的早于ECMWF报出降水过程，这为日后汛期会商提供强有力的依据和支撑，为更早的部署防灾减灾资源，防洪水资源调动管理，人民群众提前转移提供更精准的预报和服务。
4 结论与讨论
4.1 结论
本文对“风顺”人工智能模型输出的2017—2021年中国区域降水回算数据进行检验评估，并与EC次季节模式降水预报产品进行对比，结果表明:
“风顺”在提前15 d以上的降水预测中，整体技巧较ECMWF提升18.6%，对华南、东部地区的技巧尤其优越，分别提升41.2%和26.5%。表明模型对次季节尺度的持续性异常具有更强捕捉能力。模型在华南和长江中下游流域表现尤为突出，汛期降水在第8候仍具有预测技巧。个例分析证实，“风顺”能够提前3~4候预测出2024年7月华北暴雨的落区和强度，为防灾决策提供了关键时间窗口。预报技巧提高的可能原因来自对MJO预测的高技巧，“风顺”将MJO预测技巧延长至32 d，突破传统模式的30 d限制，为热带-副热带相互作用研究提供了新工具。
“风顺”人工智能模型基于级联Swin Transformer构建时空建模框架，通过移动窗口注意力机制捕捉气象场多尺度依赖关系，并创新性集成智能扰动生成模块生成集合预报，实现气候多可能性概率化表达。系统全面采用国产风云卫星和CRA-40再分析数据，通过实时数据同化滚动更新机制，在规避数据主权风险的同时显著提升预测时效性与精准度，部署于国家气象超算平台实现全流程自主可控。
图6夏季（6—8月）“风顺”和ECMWF模式对的降水TCC技巧差值（用阴影表示）:（a—f）提前3~8候
Fig.6Differences in TCC skills for summer (June—August) precipitation between the “Fengshun” system and the ECMWF model （indicated by shadings）: (a—f) correspond to lead times from 3 to 8 pentads in advance
图7基于CRA-40和风云卫星驱动的“风顺”系统对MJO双变量RMM的相关技巧（红线）及其与ECMWF数值预报模式的预测技巧对比（蓝线）
Fig.7Correlation skill (red line) of the “Fengshun” system, driven by CRA-40 reanalysis data and Fengyun satellite observations, for the MJO bivariate RMM indices, compared with the prediction skill of the ECMWF (blue line)
4.2 讨论
“风顺”系统已实现自动化运行，其扰动生成模块在保证计算效率的同时，提供概率化预测结果。尽管“风顺”已取得一些进展，但仍有较大提升空间，“风顺”的分辨率较粗，在某些特定的生产环境中业务需求可能无法精确满足，此外“风顺”在西北和东北地区的降水预测技巧欠佳，也是未来需要提升的重点方向之一。
未来建模方面将在以下方面深化研究:1）引入海洋-大气耦合机制，提升跨圈层相互作用模拟能力，通过解析海表温度异常、海洋热通量传输与大气对流活动的时空关联性，提升“风顺”对厄尔尼诺-季风系统等跨圈层相互作用对区域性降水的触发机制模拟能力; 2）发展高分辨率降尺度技术，增强“风顺”对中小尺度天气现象捕捉精度，有效刻画地形强迫、城市热岛效应等诱发的中尺度降水空间分异特征; 3）结合物理约束优化扰动生成，降低极端事件预测不确定性，使生成的降水预报既保持动力学合理性，又降低洪涝、干旱等极端事件概率预测的虚警率。
图8欧洲中心S2S模式（a）和“风顺”（b）对2024年7月9—18日华北地区降水异常的实时预测效果对比（阴影表示降水距平百分率，单位:%; 7月1日起报）
Fig.8Comparison of real-time prediction performance for precipitation anomalies in North China during July 9—18, 2024, between (a) the ECMWF S2S model and (b) the “Fengshun” system (shadings represent the percentage of precipitation anomaly, units:%; forecast initiated on July 1, 2024)
图9欧洲中心S2S模式（a）和“风顺”（b）对2024年7月9—18日华北地区降水异常的实时预测效果对比（阴影表示降水距平百分率，单位:%; 7月8日起报）
Fig.9Comparison of real-time prediction performance for precipitation anomalies in North China during July 9—18, 2024, between (a) the ECMWF S2S Model and (b) the “Fengshun” system (shadings represent the percentage of precipitation anomaly, units:%; forecast initiated on July 8, 2024)
“风顺”为人工智能与气候预测的深度融合提供了实践范例，为构建智能化气候服务体系奠定了扎实的技术基础。
