**西班牙2025年高影响风暴期间，AIFS和GFS初始化对WRF业务预报的影响** 拉乌尔·阿拉萨·阿古多（Raúl Arasa Agudo） 玛丽德莱德·加西亚-瓦尔德卡斯阿斯·奥赫达（Matilde García-Valdecasas Ojeda） 米克尔·皮卡尼奥尔·萨杜尔尼（Miquel Picanyol Sadurní） 贝尔纳特·科迪纳·桑切斯（Bernat Codina Sánchez）

《Earth》：Impact of AIFS and GFS Initialization on WRF Operational Forecasts During High-Impact Storms in Spain (2025) Raúl Arasa Agudo, Matilde García-Valdecasas Ojeda, Miquel Picanyol Sadurní and Bernat Codina Sánchez

　　摘要 欧洲中期天气预报中心（ECMWF）最近发布的人工智能预报系统（AIFS）通过用机器学习方法取代传统的基于物理的方法，代表了全球天气预报的重大转变。本研究评估了将AIFS作为天气研究和预报（WRF）模型的初始条件和侧边界条件的影响，与传统的基于物理的GFS进行了对比。本研究的目的是分析这些不同建模配置在2025年影响西班牙的三次高影响风暴期间的敏感性，以及将GFS替换为AIFS作为WRF的侧边界条件对 operational 预报准确性的影响。分析重点关注最大风速、累积降水量以及气象警报的生成。结果显示，AIFS大幅低估了风速，平均偏差介于?13至?25公里/小时之间，其预报结果与GFS的预报有显著差异。然而，当与WRF结合使用时，AIFS-WRF和GFS-WRF产生的结果相似，总体上倾向于高估风速，平均偏差在4至15公里/小时之间。在所有情况下，WRF都增强了输出，改善了与风相关的变量的表示。对于累积降水量，两种WRF配置均再现了与风暴相关的主要降雨模式。AIFS-WRF显示出更高的降水高估倾向，对于不同的三次高影响风暴，均方根误差（RMSE）分别为64、23和12毫米，尽管它也实现了最高的相关性。最后，对气象警报的分析表明，单独使用AIFS几乎不生成风速警报。一旦与WRF结合，两种配置都在发生最严重条件的区域生成了警报。总体而言，虽然像WRF这样的中尺度模型的附加价值已经得到充分证明并得到确认，但基于AI的AIFS在与这些高影响事件相关的分析中并未显示出明显优势。

1. 引言
基于建模工具的天气预报对于管理潜在的极端气象现象至关重要，并有助于保护人类生命[1]。它们也是空气质量[2,3,4]、水文学[5]、风能和太阳能资源评估[6,7]、森林火灾风险[8]以及海浪和海洋电流[9]等广泛预测应用的基本输入变量。此外，在气候变化情景下，极端事件可能变得更加频繁和强烈[10]，这些预报的相关性更加重要。国家气象机构、研究机构、大学和私营公司传统上使用解决大气动力学方程的模型来提供全球尺度预报——例如全球预报系统（GFS）[11]或综合预报系统（IFS）[12]——以及使用有限区域模型（LAM）的区域或局部尺度预报，如天气研究和预报模型（WRF）[13]或Harmonie–Arome模型[14]。人工智能的最新进展催生了基于AI的天气预报模型。例如GraphCast[15]、Pangu-Weather[16]或FourCastNet[17]等模型已在某些条件下展示了可与数值模型相当甚至更高的预报准确性[18,19]，尽管也发现了一些局限性[20,21,22]。

近年来，欧洲中期天气预报中心（ECMWF）开发了一种新的基于人工智能的模型AIFS（人工/综合预报系统）[23,24]。AIFS使用ECMWF Reanalysis v5（ERA5）[25]中1979-2022年的历史数据以及2016-2022年的IFS预报数据进行训练[26]。2025年2月，ECMWF公开发布了AIFS的operational 预报（在线可获取：https://confluence.ecmwf.int/display/fcst/implementation+oF+Aifs+Single+v1（2026年1月15日访问））。据作者所知，目前尚未有研究评估其作为有限区域模型的初始条件和侧边界条件（LBC）的应用和影响。本研究旨在评估使用AIFS预报对WRF模型生成的中尺度预报的影响，与使用GFS输出作为初始条件和LBC获得的预报进行比较，扩展了之前关于空气质量应用的研究[27]。本研究的主要兴趣是分析WRF对不同全球模型初始化的敏感性，以预测降水事件和强风。选择了包含相关降水和高风事件的建模期。研究区域对应于伊比利亚半岛（IP），特别关注西班牙。

所进行的研究具有重要意义，因为在撰写本文时，尚未发现分析使用AIFS作为LBC的WRF模型性能的研究。这在提高气象预报准确性方面尤其重要，特别是在极端事件方面。

第2节提供了研究区域、数据集以及用于比较观测值和模型值的 методолог??а的描述。第3节展示了结果，第4节进行了讨论。最后，第5节总结了主要结论。

2. 材料与方法
本节分为三个小节：2.1节描述了研究区域的主要地理和环境特征；2.2节详细描述了建模方法；2.3节提供了使用的数据集、建模期和模型评估程序的描述。表1总结了本研究方法的主要特点。

2.1. 区域特征
研究区域对应于伊比利亚半岛（IP），特别关注西班牙。IP位于欧洲西南部，通过比利牛斯山脉与其他大陆相连。其西侧和北部濒临大西洋，东侧和东南侧则被地中海环绕。IP的内部主要由中央高原主导，这是一个被比利牛斯山脉、坎塔布连山脉、中央山脉和莫雷纳山脉等主要山脉环绕的大型高地平原。这种复杂的地形有助于IP显著的气候多样性。

北部地区以海洋性气候为主，降雨丰富，温度温和。内陆地区则经历大陆性气候，冬季寒冷，夏季炎热干燥。东部和南部沿海地区则以地中海气候为主，夏季炎热干燥，冬季温和。山区由于海拔高，温度较低，降水频繁。IP由于纬度、地形和海洋影响而表现出空间和季节性的温度变化。南部地区的夏季最高体温经常超过40°C，而山区冬季最低气温可降至-10°C以下。

所选区域经常遭受高影响风暴的袭击，这些风暴会对基础设施和日常生活造成严重破坏。

2.2. 建模方法
2.2.1. WRF建模系统
本研究中使用的中尺度气象模型是国家大气研究中心（NCAR）开发的天气研究和预报—高级研究模型（WRF-ARW）[13]，版本4.3.3。这是一个用于研究和operational 预报以及区域气候应用的下一代数值天气预报系统[28,29,30,31,32,33,34]。它是一个完全可压缩的非静力模型，使用追随地形的静力压力垂直坐标。WRF提供了多种参数化选项，这些参数化简化了动态方程未明确描述的物理过程（例如辐射、微物理）或在模型无法解析的空间尺度上发生的过程（例如湍流、对流）。这些参数化在确定模型在不同气候和地理条件下的准确性方面起着关键作用。因此，选择适当的参数化组合对于提高预报可靠性至关重要[35,36,37,38,39]。

模型采用了双向嵌套策略，水平分辨率分别为9公里和3公里，连续域之间的空间网格比为3:1。根据与最外层域分辨率相关的数值稳定性标准，采用了24秒的模型时间步长。在模拟过程中未应用任何 nudging 技术，使大气演化完全由模型动力学和规定的初始条件驱动。侧边界条件每6小时使用相应的外部强迫数据更新一次。

图1显示了本研究中使用的建模域。父域（d01）的网格点间距为9公里，旨在捕捉天气系统的总体特征和一般环流模式，中心位于北纬38.658°、西经4.043°，覆盖了IP、西北非、法国及邻近的海洋区域，面积约为2700 × 2700平方公里（东西 × 南北）。嵌套域（d02）的网格间距为3公里，覆盖了整个IP（1560 × 1245平方公里），目的是捕捉影响该区域的中尺度现象。

2.2.2. 全球模型初始化
本文使用了两种全球模型作为WRF中尺度模拟的初始条件和侧边界条件（LBC）：GFS和AIFS。未将IFS模型包括在比较中，因为先前的研究[27]表明IFS和AIFS产生的结果非常相似，因此IFS不会提供额外的见解。此外，已有关于IFS驱动的WRF模拟性能的证据[48]，以及IFS和AIFS之间的直接比较[49,50]。

GFS由国家环境预测中心（NCEP）提供（在线可获取：https://www.nco.ncep.noaa.gov/pmb/products/gfs/（2026年1月15日访问）），其水平分辨率为0.25°，每6小时更新一次（00, 06, 12和18 UTC）。AIFS由ECMWF提供（在线可获取：https://data.ecmwf.int/（2026年1月15日访问）），同样具有0.25°的分辨率和相同的更新频率。GFS的预报范围为384小时，AIFS为360小时。GFS提供41个垂直层次，而AIFS提供13个层次。两个模型的第一个垂直层次都位于1000 hPa。第二个层次接近地表：GFS为975 hPa，AIFS为925 hPa。GFS的最高垂直层次达到0.01 hPa，AIFS为50 hPa。

关于时间分辨率，GFS在最初的120小时内提供每小时数据，120至384小时内提供每3小时的数据。AIFS在整个预报期间提供每小时的数据。

这些规格指的是适用于初始化中尺度模型的公开可用开放数据产品。本研究中的所有模拟，对于每个全球模型和每个风暴，都使用了00 UTC时的全球模型输出进行初始化。

2.3. 数据集、建模分析与模型评估
2.3.1.**气象数据**

用于评估模拟性能的是由西班牙国家气象机构（AEMET）管理的本地气象站数据。考虑了AEMET的整个自动气象站网络，其中包括遍布西班牙的750多个站点。AEMET提供的数据是官方数据，这些数据已经过质量控制，任何可能被认为是异常的（超出范围或无意义的）值都已被排除在分析之外。

**2.3.2. 建模分析周期**

分析重点关注了2025年3月和4月影响该地区的三场高影响风暴：Martinho、Nuria和Olivier [51]。选择这三场风暴是因为它们发生在AIFS预报公开发布后不久，并且代表了明显不同强度的风暴。这种多样性确保了结果不仅仅反映了模型在单一气象条件下的表现。其中一些风暴，如Martinho，产生了广泛而严重的影响，而其他风暴，如Olivier，则在空间上更为局限且强度相对较小。

**风暴Martinho [52]** 主要影响了整个地区，时间集中在3月20日至22日，风暴从西向东移动。最大阵风（考虑持续3秒的风速）在2025年3月21日当地时间03:30达到174公里/小时（位于42.69194° N, 0.97389° E），在2025年3月21日当地时间07:00达到165公里/小时（位于42.555° N, 0.54306° E），以及在2025年3月20日当地时间12:50达到154公里/小时（位于37.06306° N, 3.38694° W）。最强烈的降雨发生在3月21日，其中Puerto del Pico（40.34156° N, 5.01152° W）的日降雨量为132.4毫米，Garganta la Olla（40.11111° N, 5.78472° W）为97.8毫米，Piornal（40.1153° N, 5.8492° W）为87.6毫米。这场风暴的主要后果是洪水，特别是在内陆地区。

**风暴Nuria [53]** 在4月3日和4日影响了整个地区，造成了卡斯蒂利亚-莱昂南部和安达卢西亚西部的强降水，并在加利西亚、安达卢西亚、比利牛斯山脉、巴斯克地区以及卡斯蒂利亚-莱昂南部产生了强风。最大阵风记录在2025年4月4日当地时间14:00的Sierra Nevada（37.06306° N, 3.38694° W）达到148公里/小时，在2025年4月4日当地时间06:00的Cerezo de Arriba（41.19193° N, 3.47517° W）达到132.8公里/小时，在2025年4月4日当地时间11:00的Alto Campoo（43.03667° N, 4.37444° W）达到132.8公里/小时。Piornal（40.1153° N, 5.8492° W）的日降雨量为85毫米，Puerto El Pico（40.34156° N, 5.01152° W）为67.4毫米，Garganta de la Olla（40.11111° N, 5.78472° W）为63毫米。这场风暴还引发了冰雹暴，严重影响了卡斯蒂利亚-拉曼查地区的农业区。

**风暴Olivier [54]** 起源于一个孤立的高层低压系统，在2025年4月10日至11日期间影响了该地区的大片区域，特别是安达卢西亚、卡斯蒂利亚-莱昂以及埃斯库迪利亚和埃斯特雷马杜拉。最大阵风在2025年4月11日当地时间17:00的Cabo de Gata Faro（36.72194° N, 2.19306° W）达到103公里/小时，在2025年4月11日当地时间22:00的Sierra Nevada（37.06306° N, 3.38694° W）达到103公里/小时，在2025年4月11日当地时间17:00的Cerezo de Arriba（41.19193° N, 3.47517° W）达到103公里/小时。4月11日，Lugo—Col. Fingoi（42.99917° N, 7.55139° W）的日降雨量达到117.9毫米，Lugo Rozas（43.11139° N, 7.45722° W）为65毫米，Becerrera-Penamaior（42.865° N, 7.18361° W）为51毫米。Olivier风暴还携带了撒哈拉沙尘，导致该地区出现泥雨。

对于每场风暴，都使用了CFS分析来描述其天气形势。图2显示了CFS分析得出的500 hPa位势高度和6小时累计降水量场 [55]。图2展示了2025年3月21日（Martinho）、4月4日（Nuria）和4月11日（Olivier）12 UTC时CFS分析得到的500 hPa位势高度（左）和6小时累计降水量（右）。图表来源于Wetterzentrale [56]。

**图3** 展示了AEMET在各次风暴期间记录的最大阵风值和日降雨量。图4显示了研究期间该地区的云层覆盖情况。

**2.3.3. 预报评估和预报敏感性分析**

为了评估预报性能及其对不同全球初始化模型的敏感性，采用了一种综合方法，结合了确定性统计指标与图形和定性比较。分析重点关注了两个关键气象变量：10米高度处的风速（包括1小时平均风速和3秒持续风速），以及累计降水量。

预报准确性通过多个统计指标进行量化。对于风速，计算了皮尔逊相关系数（PCC）、平均偏差（MB）和均方根误差（RMSE）。这些统计指标的比较是基于WRF在每个观测站最近的模型网格单元的预报值进行的。对于降水量，还包含了Brier分数（BS）[58]，因为它特别适合评估这一变量。

分析是在最内部的建模域d02上进行的（见图1）。所有统计指标均使用每次风暴的累计降水量、平均风速和最大阵风值进行计算，并将模型输出与观测值进行比较。模型性能评估针对24小时预报进行了评估。

在风速分析中，考虑了AIFS和GFS的全球模型输出，以及用每个全球模型初始化的WRF模拟结果。对于累计降水量，仅分析了GFS-WRF和AIFS-WRF的模拟结果，因为在冷启动配置中，WRF不会将GFS和AIFS的降水量作为初始条件。

数值评估还辅以了几项定性分析：通过散点图比较了GFS与AIFS以及GFS-WRF与AIFS-WRF在平均风速和风速方面的差异；使用二维地图比较了WRF模拟结果与站点观测数据在地理分布和空间模式上的差异；基于AEMET使用的区域阈值进行了警报级别比较 [59]。这些警报与AEMET关于每次风暴的报告 [52,53,54] 进行了对比。AEMET为每个地理区域定义了黄色、橙色和红色警报的特定阈值。对于每个变量（风速、温度、降雪等），AEMET设定了触发警报的数值阈值，该阈值取决于所在地区的范围。例如，在风速方面，黄色阈值对应的速度范围可能是70至90公里/小时；橙色阈值对应90至110公里/小时；红色阈值对应120至140公里/小时。

**3. 结果**

以下部分展示了研究的主要发现：包括散点图分析、空间差异的可视化检查以及不同配置下气象警报的比较。

**3.1. 数值评估**

表3、表4和表5总结了数值评估中使用的统计参数。图5、图6、图7、图8和图9显示了CFS分析得出的500 hPa位势高度和6小时累计降水量与观测值的散点图，分别对应2025年3月21日（Martinho）、4月4日（Nuria）和4月11日（Olivier）12 UTC的情况。图表来源于Wetterzentrale [56]。

**3.2. 差异可视化检查**

图10、图11和图12展示了每次高影响风暴期间累计降水量和最大阵风的空间比较结果。

**3.3. 气象警报生成**

图13、图14和图15比较了每种建模配置下生成的气象警报。图13展示了根据[59]中定义的阈值，使用GFS和AIFS预报生成的最大阵风气象警报，分别对应Martinho（上）、Nuria（中）和Olivier（下）。颜色对应AEMET的警报级别 [59]。图14展示了根据[59]中定义的阈值，使用GFS-WRF和AIFS-WRF预报生成的最大阵风气象警报。图15展示了根据[59]中定义的阈值，使用GFS-WRF和AIFS-WRF预报生成的12小时累计降水量气象警报。

**4. 讨论**

鉴于AIFS预报最近才公开发布，目前尚未找到将其与中尺度模型（如WRF）结合分析的先前研究。因此，本研究的结果无法与现有文献进行比较。本研究是研究系列的第二部分，旨在探讨将AIFS作为WRF的初始条件和侧边界条件引入的影响。第一部分的主要结果发表在 [27] 中。在那篇论文中，作者表明，尽管AIFS-WRF和GFS-WRF的性能总体上相似，但全球模型的选择影响了海风发展、垂直温度和风速剖面以及行星边界层高度的演变等气象现象的再现。作者还分析了这些差异对空气质量相关应用（如后向轨迹和通风指数）的影响。对于分析的这些风暴事件，结论是GFS-WRF提供的不确定性低于AIFS-WRF [27]。

在本研究中，重点不同。我们分析了在2025年影响西班牙的高影响风暴期间，使用AIFS或GFS作为WRF的初始和侧边界条件对降水量和最大阵风预报的影响。关于模型预测值与观测值的数值比较，根据生成的散点图可以看出，将WRF与GFS或AIFS结合使用显著提高了预测的相关性。所有WRF配置以及GFS本身都表现出高估平均风速的倾向。在RMSE方面，AIFS预报显示出较低的数值，通常在5至9公里/小时之间，具体取决于事件类型。在解释这些结果时，应考虑到本研究中使用的众多验证站点。

对于最大阵风，如预期那样，由于其更难以预测，不确定性相对较大。再次，GFS-WRF和AIFS-WRF显示出最高的相关性和最低的均方根误差（RMSE）值。值得注意的是，WRF模拟中观察到的平均风速高估现象仍然存在，而原始的AIFS预测则明显低估了阵风，偏差在-13至-25公里/小时之间。所获得的平均偏差（MB）和RMSE值与类似研究[60,61]中的结果一致。还需要强调的是，在Storm Martinho案例中，无论是GFS还是AIFS都无法准确再现观察到的平均风速或最大阵风。例如，实际观察到的阵风超过了100公里/小时，而两个模型模拟的结果都低于60公里/小时。在这种情况下，使用WRF的好处显得尤为明显，因为它显著提高了模拟值，并提供了更接近实际观测值的风速和阵风估计。这种改进是因为全球模型的粗糙分辨率无法再现最大阵风；换句话说，这些阵风是由于亚网格尺度过程造成的，全球模型无法明确解析这些过程。这一发现也与之前的研究[27]的结果一致，该研究也指出了使用GFS或AIFS作为WRF边界条件（LBC）时模拟风场的差异。关于累积降水量，GFS-WRF和AIFS-WRF的准确性和不确定性在分析的三个事件中非常相似。在某些情况下，布里尔分数（Brier Score）值为零或接近零，因为40、80和120毫米的阈值很少被超过。对于Martinho和Nuria风暴，所有情况下都存在高估现象，特别是在使用AIFS-WRF的Martinho风暴中，高估量达到了44毫米。这种行为在散点图中非常明显，模拟值超过了200毫米，而相应的观测值则低于50毫米。空间差异的视觉检查显示，总体而言，AIFS预测的最大阵风低于GFS。AIFS未能捕捉到分析风暴期间记录的最高阵风。GFS虽然检测到了较强的阵风，但仅限于少数地点，并且在某些情况下存在空间位移（例如，在Martinho风暴中，GFS将最强阵风放置在东部IP区域，而观测结果显示它们位于西部）。AIFS对最大阵风的低估可能与数据驱动模型普遍低估极端值的机制有关，如[20]中所指出的，这是由于模型的性质和训练数据本身的特点。一旦WRF与GFS或AIFS结合使用，GFS-WRF和AIFS-WRF都会模拟出更强烈的阵风。对于Martinho风暴，这些强阵风位于坎塔布连海岸、西比利牛斯山脉、埃布罗河谷、加利西亚、卡斯蒂利亚-莱昂东南部和安达卢西亚东部。除了埃布罗河谷没有记录到显著阵风外，空间模式与观测结果非常吻合。在Nuria风暴期间，最强阵风记录在安达卢西亚、西班牙北部和卡斯蒂利亚-莱昂南部，这与模拟模式相符。对于Olivier风暴，最强阵风出现在南部IP区域，这也是模型预测的最高值所在位置。关于累积降水量，GFS-WRF和AIFS-WRF在Martinho和Nuria风暴中都高估了降水量。对于Martinho风暴，AIFS-WRF的高估量最大，同时相关性也最高。这种高估显著降低了预测的可靠性，并超出了操作应用可接受的范围。两个模型都正确指出了IP北部、中部和西南部降雨量最大的区域。对于Nuria事件，GFS-WRF显示出最佳的相关性和最低的不确定性。两种WRF配置都成功再现了西班牙南部、中部和中西部降雨量最大的区域。对于Olivier风暴，GFS-WRF和AIFS-WRF在相关性和不确定性方面提供了非常相似的结果，正确识别了记录到最大累积降水量所在的西北部区域。关于天气警报（图13、图14和图15），AIFS几乎没有为任何一次事件生成阵风警报，而GFS为Martinho风暴生成了大量黄色和橙色警报，但仅为Nuria和Olivier风暴生成了少数孤立警报。一旦WRF与GFS或AIFS结合使用作为边界条件和初始条件，生成的警报数量增加，GFS-WRF和AIFS-WRF之间没有实质性差异。这表明WRF模型本身负责生成大部分警报信号。与AEMET[52,53,54]发布的警报相比（这些警报不是自动模型输出，而是实时监测、专家解释和多个观测平台的结果），WRF配置能够再现许多警报，特别是在Martinho风暴中。关于累积降水量，两种WRF配置都在观测到最大降水量值的区域生成了警报。GFS-WRF和AIFS-WRF的结果非常相似。对于Martinho风暴，AIFS-WRF和GFS-WRF都在许多区域生成了警报，除了西班牙西南部地区。作者希望指出，GFS/AIFS-WRF的比较仅使用了两个全球模型公开可用的数据，因为目的是评估它们的操作性影响。需要强调的是，在本研究进行时，两个模型的公开数据集特性存在差异，特别是在垂直分辨率和时间频率方面，如2.2.2节所述。这些差异不可避免地影响了结果，因为全球模型用于初始化如WRF这样的中尺度模型。例如，关于影响地表风场的行星边界层高度（PBLH），GFS提供了七个垂直层次，而AIFS只提供了三个。如果两个全球模型的垂直分辨率相当，那么得到的差异可能会更小。5. 结论使用了两个全球模型GFS和AIFS作为中尺度模型WRF的初始条件和边界条件（LBC）。比较了每种配置产生的预报结果，重点关注2025年影响西班牙的高强度风暴期间最重要的气象变量：最大阵风和累积降水量。此外，还分析了气象警报的生成，作为比较GFS-WRF和AIFS-WRF模拟性能的额外工具。应当指出，这些结论适用于分析的三个高强度风暴，需要更长的分析周期才能获得完全普遍适用的结果。本研究的主要结论总结如下：阵风：?AIFS通常低估阵风，其预测与GFS的预测有显著差异。?GFS-WRF和AIFS-WRF产生的结果非常相似，均倾向于高估阵风。WRF增加了这一变量的表示精度，优于原始的全球模型输出。?对于所有三个高强度风暴，WRF能够再现最大阵风的发生；尽管在某些情况下（如Martinho风暴），模拟位置与观测位置有空间位移。累积降水量：?总体而言，GFS-WRF和AIFS-WRF都能够为分析的三个事件生成阵风和累积降水的天气警报。?AIFS-WRF在警报的强度和空间范围方面都有更大的生成倾向。?在累积降水量方面，WRF配置显示出相似的准确性和不确定性，尽管在某些情况下（如Martinho风暴）AIFS-WRF的高估更为明显。总体而言，虽然中尺度模型如WRF的附加价值得到了充分证实，但基于人工智能的AIFS在与传统全球模型相比时，在这些高强度事件中并未显示出明显的优势。数据驱动模型（如AIFS）相对于基于物理的模型（如GFS）的优势通常在超过24-48小时的时间段内更为明显。因此，在本研究中并未观察到这种优势。此外，两个模型的垂直层结构差异影响了它们作为WRF边界条件时的预测结果，如[27]所示。已经确定了一些改进领域，以解决当前工作的局限性并获得更具代表性的操作性预测结论。建议的未来工作方向包括：?分析其他变量（如降雨率）的敏感性。?考虑更长的分析周期以比较不同模型配置之间的差异。?添加其他统计指标，如分数技能得分（Fractional Skill Score）、时间自相关性和空间相关性。?添加分类评估，区分不同区域和警报类别。?将预报范围从24小时扩展到120小时，并分析基于物理的模型和数据驱动模型与WRF结合时，不同预报范围下的差异。?通过比较不同配置的操作对流诊断参数[62]来加深对模拟差异的理解。?评估WRF对其他新兴基于人工智能的全球模型（如AIGFS（人工智能全球预报系统）、AIGEFS（人工智能全球集合预报系统）和NOAA的HGEFS（混合GEFS）的敏感性。?将分析范围扩展到整个IP区域，包括葡萄牙海洋与大气研究所（IPMA）的观测数据。