Efficient Generative AI Boosts Probabilistic Forecasting of Sudden Stratospheric Warmings

📄 arXiv: 2510.26376v1 📥 PDF

作者: Ningning Tao, Fei Xie, Baoxiang Pan, Hongyu Wang, Han Huang, Zhongpu Qiu, Ke Gui, Jiali Luo, Xiaosong Chen

分类: cs.LG

发布日期: 2025-10-30

💡 一句话要点

提出基于Flow Matching的生成式AI模型FM-Cast，高效预测平流层突发性增温

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 平流层突发性增温 概率预测 生成式AI Flow Matching 数值天气预报

📋 核心要点

  1. 数值天气预报系统在预测平流层突发性增温（SSW）方面面临物理建模和计算资源的挑战，尤其是在概率预测方面。
  2. 论文提出基于Flow Matching的生成式AI模型FM-Cast，用于高效预测平流层环流的时空演变，实现概率预测。
  3. FM-Cast在SSW预测中表现出色，性能与领先的数值天气预报系统相当，且计算效率高，可在消费级GPU上快速完成预测。

📝 摘要（中文）

平流层突发性增温(SSW)是亚季节可预测性的关键来源，也是冬季极端天气的主要驱动因素。然而，由于物理表示、初始化以及集合预报的巨大计算需求方面的限制，准确有效地预测SSW仍然是数值天气预报(NWP)系统面临的持续挑战。虽然数据驱动的预测正在迅速发展，但其在SSW复杂的三维动力学中的应用，特别是对于概率预测，仍未得到充分探索。本文通过开发基于Flow Matching的生成式AI模型(FM-Cast)来弥合这一差距，该模型能够高效且出色地进行平流层环流时空演变的概率预测。在1998-2024年的18次主要SSW事件中进行评估，FM-Cast能够提前20天出色地预测10次事件的发生、强度和形态，集合准确率超过50%。其性能与领先的NWP系统相当或超过，同时在消费级GPU上进行50个成员、30天预测仅需两分钟。此外，利用FM-Cast作为科学工具，我们通过理想化实验证明，SSW的可预测性从根本上与其潜在的物理驱动因素相关，区分了由对流层强迫的事件和由内部平流层动力学驱动的事件。因此，我们的工作为概率预测平流层异常建立了一种计算高效的范例，并展示了生成式AI在加深对大气-气候动力学物理理解方面的潜力。

🔬 方法详解

问题定义：论文旨在解决平流层突发性增温（SSW）的准确且高效的概率预测问题。现有数值天气预报（NWP）系统在SSW预测方面面临挑战，包括物理过程的复杂性、初始化误差以及集合预报所需的巨大计算量。传统数据驱动方法在处理SSW复杂的三维时空动力学方面仍有不足，尤其是在概率预测方面。

核心思路：论文的核心思路是利用生成式AI模型，特别是基于Flow Matching的模型，来学习平流层环流的时空演变模式，从而实现高效的概率预测。Flow Matching方法能够学习数据分布之间的连续变换，避免了传统生成模型训练中的模式崩塌等问题，更适合于复杂气象数据的建模。

技术框架：FM-Cast模型的技术框架主要包括数据预处理、Flow Matching模型训练和概率预测三个阶段。首先，对历史气象数据进行预处理，提取关键的气象变量。然后，使用Flow Matching方法训练生成模型，学习平流层环流的时空演变规律。最后，通过生成多个样本，实现对SSW的概率预测。模型输入为历史气象数据，输出为未来一段时间内的平流层环流状态的概率分布。

关键创新：论文的关键创新在于将Flow Matching方法应用于SSW的概率预测，并提出了FM-Cast模型。与传统的NWP系统相比，FM-Cast具有更高的计算效率，可以在消费级GPU上快速完成预测。与传统数据驱动方法相比，FM-Cast能够更好地捕捉SSW复杂的三维时空动力学特征，实现更准确的概率预测。

关键设计：FM-Cast模型的关键设计包括：(1) 使用Flow Matching作为生成模型的基础，学习数据分布之间的连续变换；(2) 设计合适的网络结构，以捕捉平流层环流的时空依赖关系；(3) 采用合适的损失函数，优化模型的训练；(4) 通过生成多个样本，实现对SSW的概率预测。具体参数设置和网络结构细节未在摘要中详细说明，属于未知信息。

📊 实验亮点

FM-Cast模型在18次主要SSW事件中，成功预测了10次事件的发生、强度和形态，提前20天预测的集合准确率超过50%。该模型性能与领先的NWP系统相当或超过，同时计算效率显著提高，在消费级GPU上进行50个成员、30天预测仅需两分钟。这些结果表明FM-Cast在SSW概率预测方面具有显著优势。

🎯 应用场景

该研究成果可应用于改进亚季节尺度天气预报，提高对极端冬季天气的预测能力，为能源、交通等行业提供决策支持。此外，FM-Cast模型作为一种高效的科学工具，可用于研究SSW的物理机制和可预测性，加深对大气-气候动力学的理解，并为气候变化研究提供新的视角。

📄 摘要（原文）

Sudden Stratospheric Warmings (SSWs) are key sources of subseasonal predictability and major drivers of extreme winter weather. Yet, their accurate and efficient forecast remains a persistent challenge for numerical weather prediction (NWP) systems due to limitations in physical representation, initialization, and the immense computational demands of ensemble forecasts. While data-driven forecasting is rapidly evolving, its application to the complex, three-dimensional dynamics of SSWs, particularly for probabilistic forecast, remains underexplored. Here, we bridge this gap by developing a Flow Matching-based generative AI model (FM-Cast) for efficient and skillful probabilistic forecasting of the spatiotemporal evolution of stratospheric circulation. Evaluated across 18 major SSW events (1998-2024), FM-Cast skillfully forecasts the onset, intensity, and morphology of 10 events up to 20 days in advance, achieving ensemble accuracies above 50%. Its performance is comparable to or exceeds leading NWP systems while requiring only two minutes for a 50-member, 30-day forecast on a consumer GPU. Furthermore, leveraging FM-Cast as a scientific tool, we demonstrate through idealized experiments that SSW predictability is fundamentally linked to its underlying physical drivers, distinguishing between events forced from the troposphere and those driven by internal stratospheric dynamics. Our work thus establishes a computationally efficient paradigm for probabilistic forecasting stratospheric anomalies and showcases generative AI's potential to deepen the physical understanding of atmosphere-climate dynamics.