把天气轨迹倒着生成:Rewind-AR 让同一场极端事件的前兆更集中,但 66 小时内最多 22% 成员失稳
核心概要
给定一个已观测的极端天气终态,能否反推出通向它的多种前兆路径,是情景规划需要的样本。此前 cBottle-video 用视频扩散生成 66 小时终点约束集合,但集合离散度偏低、地转关系不自洽,且只能近似重现约束帧。Rewind-AR 改用 FourCastNet 3 骨干做反向时间概率自回归,在 2021 年太平洋西北热浪与飓风 Ian 两个案例中,其前兆 500 hPa 位势高度主导模态解释的成员间方差明显高于 cBottle-video;代价是 66 小时内最多 22% 的成员数值失稳。
深度剖析
终点约束的天气轨迹集合现在可以由一个专门按反向时间训练的自回归模型生成,而不必依赖通用掩码条件的视频扩散模型。 此前的 cBottle-video 是预训练、未针对该任务微调的视频扩散气候模拟器,其集合离散度不足、地转关系不自洽,并且只近似重现被约束的帧,因而难以做自回归滚动。 在飓风 Ian 案例中,cBottle-video 的前八个自由端主成分对自由端风暴纬度、经度和中心海平面气压分别解释 9%、8% 和 14% 的样本内方差(交叉验证 7%、6%、12%);同样的回归用于 Rewind-AR 通过稳定性筛选的 867 个成员,得到 71%、87% 和 31%(交叉验证 70%、87%、29%)。
模型从被钉住的终态出发,以六小时为步长向过去滚动,每一步都从随机噪声场中抽样,因此同一终态会得到一组彼此不同的前兆路径。 Rewind-AR 以 FourCastNet 3 为骨干,配置成反向时间条件分布的概率自回归模型,共 273.5M 参数(每个复数权重按两个实数计),在 2009–2018 年 ERA5 再分析资料上训练、2019 年作验证,网格为 25 km 的规则经纬度网格。 每个案例每个模型生成 1000 个成员;Rewind-AR 从被钉住帧的 ERA5 状态初始化,分析前 66 小时即 11 步,成员之间只差随机抽样,并以批大小 4、每 1000 成员用 250 个种子推理。
启示与展望
演示范围是 66 小时窗口内、以 ERA5 观测终态为约束的三个案例集合:2021 年太平洋西北热浪、飓风 Ian 和 Superstorm Sandy,其中 Sandy 落在两个模型的训练期内,因此不检验对未见事件的泛化。读者对象是使用 AI 天气气候模拟器做极端事件情景分析的研究者;所有 Rewind-AR 统计只使用通过数值稳定性筛选后存活的成员。
数值稳定性筛选在 66 小时内剔除 13.3% 的 Ian 成员和 22.2% 的太平洋西北成员,Sandy 成员则无一被剔除,存活成员可能不是集合的随机样本。位势高度主导模态与前兆风暴位置关系更紧密,本身并不等于物理合理性更高,Sandy 中就有部分轨迹起点落在不合常理的内陆。两个模型在分辨率、训练数据、架构和规模上均不同,因此这不构成自回归与视频扩散的完全标准化比较。
