ReSA-ConvLSTM：一种集成动态气候标准化与时空因果约束的AI框架，用于系统性数值天气预报偏差校正

《Atmospheric and Oceanic Science Letters》：A Systematic Approach to Developing an Effective AI-Based Bias Correction Model

为了解决数值天气预报中存在的系统性偏差问题，并克服现有AI方法缺乏全局观、泛化性差及物理一致性不足等局限，研究人员开发了名为ReSA-ConvLSTM的AI偏差校正框架。该模型整合了动态气候标准化、具有时序因果约束的ConvLSTM以及残差自注意力机制，建立了ECMWF预报与ERA5再分析数据间的物理感知非线性映射。在41年全球大气数据上的实验表明，该模型显著降低了T2m、U10和SLP的系统性偏差，相比业务化ECMWF输出，7天T2m预报的RMSE最大降低了20%。其轻量级架构支持高效泛化至多变量及下游应用，在跨变量校正中减少了85%的再训练时间，并通过提供偏差校正后的边界条件提升了海洋模式预报技巧，为物理感知的AI气象系统发展提供了新思路。

　　

天气预报的准确性对社会经济运行和极端天气事件的应对至关重要，然而即便是欧洲中期天气预报中心（ECMWF）这样先进的数值天气预报系统，其输出结果依然存在难以消除的系统性偏差。这些偏差主要源于物理参数化方案的不完善、初始/边界条件的不确定性以及对次网格尺度过程描述的不足。传统的统计后处理方法通常是网格点对点的，忽略了误差的空间关联结构，其准线性的数学基础也难以捕捉大气动力与物理过程间的复杂非线性相互作用。近年来，深度学习的兴起为大气科学预测带来了显著进步，基于人工智能（AI）的天气和气候预测基础模型能够从数据中学习复杂的地球系统相互作用和系统性误差。然而，现有基于AI的偏差校正方法仍面临关键局限：校正通常是局部的，缺乏全局视野；单一变量模型泛化能力差；大气约束整合不足，可能导致物理不一致。为了从根本上提升AI偏差校正的效能，研究人员认为，必须在数据预处理和模型设计中充分考量目标变量的内在物理特性，从而更好地利用AI学习非线性关系的能力，揭示偏差的时空演变规律，并确保模型保持轻量、高效和可泛化。

为开展此项研究，作者们采用了几个关键技术方法。首先，在数据方面，研究使用了ECMWF提供的1981-2021年共41年的季节预报数据作为待校正的预报场，并以同期同分辨率的ERA5再分析数据作为地面实况基准。研究聚焦于1-7天的预报时效，并将原始6小时间隔的25成员集合预报聚合成逐日平均的集合均值。在方法上，研究提出了一个名为ReSA-ConvLSTM的AI偏差校正框架，其核心创新包括三点：一是提出动态气候标准化方法，使用逐网格、逐日的多年气候均值和方差进行归一化，以消除赤道与极地间的背景场差异并使数据分布更接近正态分布，从而提升模型对偏差特征的学习能力；二是采用卷积长短期记忆网络（ConvLSTM）作为主干架构，在提取空间特征的同时严格保持时间因果关系，防止未来信息泄露到过去，确保学习到物理上一致的偏差演变规律；三是在基础ConvLSTM上集成了时间约束的自注意力机制和残差连接，以自适应地放大气象学显著模式并缓解梯度消失问题，从而有效提取偏差演变过程中的细微信号变化。模型训练采用了分层抽样策略，选取五个间隔十年的非连续年份（1981, 1991, 2001, 2011, 2021）作为测试集。模型性能通过均方根误差（RMSE）和异常相关系数（ACC）进行定量评估。

4.1. 模型性能

研究人员以2米气温（T_2m）为例训练了一个7天校正模型，并定量评估了其偏差校正性能。在所有预报周期上，校正后的7天预报在性能上均优于ECMWF业务化预测以及其他AI模型（如UNet、UNet-TimeWindow和Vision Transformer）。定量评估显示，ECMWF的RMSE范围从1.2 K（第1天）到2.1 K（第7天），而本研究模型将RMSE维持在低于1.0 K（第1-3天）和低于1.8 K（第4-7天），相比ECMWF，7天T_2m预报的RMSE最大降低了20%。空间偏差合成图进一步证明，模型有效缓解了ECMWF原有的系统性偏差，例如东亚/北美/南美的冷偏差（平均低估2.3°C被校正至0.7°C）和非洲的暖偏差（平均高估2.5°C被校正至1.7°C）。一个针对2021年3月1-5日的案例分析也显示了显著的偏差减少。RMSE的显著降低、ACC在所有预报日上的一致改善以及空间技巧的增强，共同证明了该模型在减轻预报系统固有系统性偏差方面的有效性。

4.2. 消融实验

为了量化所提出的三项架构创新各自对整体校正效果的贡献，研究进行了消融实验。控制实验表明，本研究提出的动态标准化方法，相比传统的Z分数标准化，在第3天之后的预报技巧提升了6.4%，这证实了考虑时空气候学的输入标准化策略至关重要。多预报时效输入窗口（3天、5天和7天）实验进一步评估了架构在处理时间信息方面的影响。结果显示，本研究提出的具有因果约束的架构，无论使用5天还是7天预报时效进行训练，其第5天的校正性能保持一致。相比之下，其他架构（如UNet）在评估情境与训练情境不同时表现出误差逐步增加，这表明存在违反物理因果关系的时间信息污染。此外，研究评估了从基础ConvLSTM开始，逐步添加自注意力机制（SA-ConvLSTM）和残差连接（Residual-ConvLSTM），最终结合两者（ReSA-ConvLSTM）所带来的性能提升。在相同的训练方案下，结合后的架构在所有预报时效上实现了最显著的RMSE降低。定量分解显示，自注意力机制单独贡献了约8%的RMSE降低，主要通过增强对气象显著模式的关注；残差连接单独贡献了约6%的降低，主要通过稳定梯度流和实现更深网络训练。而两者在ReSA-ConvLSTM中的集成产生了超过15%的总降低，显示出清晰的协同效应。

4.3. 下游任务

一个有效的AI校正框架应展示跨变量适应性和操作灵活性。在跨变量泛化方面，使用T_2m预训练权重初始化的模型，针对U₁₀、V₁₀和平均海平面气压（SLP）变量，可在20分钟内实现收敛（比完全训练快85%），并显示出显著的校正效果。这表明模型能以最小的训练开销将偏差校正能力扩展到不同的大气变量。当作为模块化插件部署在AI预报模型（如FourCastNet）内部时，该系统能实现进一步的偏差校正，将预报技巧提升约10%。当通过校正后的大气边界条件与海洋模式（如AI驱动的全球海洋模式系统，AI-GOMS）耦合时，也能带来显著的预报改进。这些实验证实了该框架在多种下游任务中均表现良好。

本研究提出了一种用于天气预报系统性偏差校正的新型AI驱动框架（ReSA-ConvLSTM）。通过整合动态气候标准化、具有时间因果约束的ConvLSTM以及残差自注意力机制，该模型相比传统的统计后处理方法和现有AI方法取得了显著改进。关键结果表明，对于T_2m的1-7天预报，RMSE最大降低达20%，并且能很好地泛化至风分量（U₁₀/V₁₀）和SLP。其轻量级架构（1060万参数）支持高效的下游任务适配，在跨变量校正中减少85%的再训练时间，并通过偏差校正后的边界条件提升了海洋模式预报技巧。这些进展突显了物理感知AI系统在提升预报技巧方面的潜力。当前AI驱动的校正模型主要依赖于数据驱动范式，可能忽略了基本的气象学原理。例如，基于UNet的框架常常因 indiscriminately blending 过去-未来特征而违反时间因果性。这项工作提供了一个关键见解：为使偏差校正有效，必须根据变量特定的物理特性来定制AI架构。这种方法不仅优于纯数据驱动的模型，还降低了模型复杂度。此外，将物理过程整合到AI模型设计中，可能有助于打开模型的黑箱，提高其物理可解释性，并帮助研究者识别影响可预报性的潜在预报因子。本研究进一步证实，在气象领域，具有气象学意识的AI设计能够释放出比通用架构更大的潜力。尽管所提出的框架在天气尺度（1-7天）上展示了稳健的偏差校正能力，但将其有效性扩展到次季节至季节（S2S）预测仍然是一个关键挑战。实验表明，超过7天预报时效后，其校正效能相对于短期预报会显著下降。这一限制源于两个相互关联的因素：首先是混沌大气系统固有的可预报性壁垒，初始条件的不确定性在更长的预报时效上主导性越来越强；其次是当前AI架构捕获主导S2S可预报性的慢变气候模态（如MJO、ENSO）的能力有限。如何通过增强数据预处理、定制架构和优化训练策略，将物理机制与AI模型协同整合，同时扩展预报时效并提升预报技巧，仍是一个亟待优先研究的挑战。