通过全球区域协调学习公里级天气预报

公里级区域天气预报对于当地天气预警和天气敏感决策至关重要。现有的数据驱动方法通常依赖于大规模指导的数值预测，或者需要对全球预测组件进行额外的培训。预训练的全球天气模型提供了大规模预测的有效来源，促进其重用以指导高分辨率区域预测。然而，这种耦合需要协调不同网格的全球和区域代表性，并将全球指导与地方互动相结合，以推动区域国家的发展。我们提出了 ScaleCast，这是一个区域预测框架，通过全球区域协调来应对这些挑战。其全球-区域转换模块将全球和区域联合表示与区域位置相结合，而全球-区域协调和动态模块将协调一致的指导与区域邻里互动结合起来。在 0.25 度网格上使用 ERA5 全局分析和在 5.5 公里间距上使用 CERRA 区域再分析进行的实验证明了改进 跨地表和高空变量的区域预测，使用单一训练模型支持多个全球预测驱动程序（即盘古天气、GraphCast 和 HRES），无需进行特定的再训练。对 3 公里间距的 HRRR 进行微调进一步证明了该框架对不同区域域和空间分辨率的适应性。风暴案例研究表明，气旋定位和核心压力估计得到了改进，而与 HadISD 站观测结果的比较表明，与当地温度和湿度变化更加一致。