DOI: https://doi.org/10.1038/s41612-026-01475-9
تاريخ النشر: 2026-07-07
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
يقدم هذا القسم نظرة عامة على CSU-PCAST، وهو إطار توقعات جماعية يعتمد على التعلم العميق مصمم لتوقع هطول الأمطار العالمي على المدى المتوسط. يعالج هذا النموذج التحديات المتعلقة بالتنبؤ بدقة بشدة الهطول، والتركيب المكاني، وموثوقية الجماعة على فترات زمنية أطول. يتم تدريبه باستخدام متغيرات الغلاف الجوي والسطح من ERA5 بدقة مكانية تبلغ 0.25° وعلامات هطول الأمطار IMERG، مع دمج 57 متغيرًا تنبؤيًا جنبًا إلى جنب مع بيانات جغرافية ثابتة. تتميز البنية الأساسية بعمود فقري من نوع Swin Transformer يعتمد على الرقع، والتفافات متبقية لاستمرارية، وتكييف ضوضاء عشوائية، وتضمينات زمنية، ومفكك ثنائي الفرع لتوقع كل من متغيرات الهطول وغير الهطول.
تشير نتائج التقييم من عام 2023 إلى أن CSU-PCAST يتفوق على GEFS التشغيلي في المهارة الحتمية قصيرة المدى، كما يتضح من ارتفاع مؤشر النجاح الحرج (CSI) وانخفاض خطأ الجذر التربيعي المتوسط (RMSE) خلال الأيام الأولى من التوقع. كما يقلل النموذج من انحياز GEFS الرطب للهطول الخفيف ويقلل من الانحياز الجاف عند عتبات 10 و20 مم. تكشف التقييمات الاحتمالية عن انخفاض في درجة احتمال الترتيب المستمر (CRPS) وارتفاع في درجات مهارة Brier، مما يشير إلى تحسين موثوقية الجماعة، على الرغم من أن كل من CSU-PCAST وGEFS يظهران نقصًا في التشتت. تسلط دراسة حالة حول أحداث الهطول الشديد الضوء على الهيكل المكاني المحسن لـ CSU-PCAST وإرشادات احتمال التجاوز، مع ملاحظة أن إجماليات الهطول الإقليمي، وشدة الهطول العالية، ومعايرة الجماعة تتطلب مزيدًا من التحسين.
مقدمة
تؤكد المقدمة على الدور الحاسم للتنبؤ الدقيق بالهطول في التخفيف من الكوارث، وإدارة الموارد المائية، والتنمية المستدامة. تسلط الضوء على التقدم في التنبؤ بالطقس العددي (NWP) بسبب التحسينات في الحوسبة عالية الأداء، مشيرة إلى أن أنظمة NWP التقليدية تعتمد على حل معادلات تفاضلية جزئية معقدة (PDEs) لمحاكاة العمليات الجوية. بينما توفر هذه الأنظمة توقعات صارمة من الناحية الفيزيائية، إلا أنها تتطلب حسابات مكثفة وغالبًا ما تفشل في التقاط عدم اليقين الجوي، مما أدى إلى اعتماد أنظمة التنبؤ الجماعي. تولد هذه الأنظمة توقعات متعددة من خلال تغيير الظروف الأولية، مما يتيح قياس عدم اليقين وتوفير مجموعة من النتائج المحتملة الضرورية لاتخاذ قرارات مستنيرة في مختلف القطاعات.
تشير تقييمات انحياز تكرار الهطول المجمع إلى أن نظام CSU-PCAST يتفوق على جماعة GEFS من حيث المعايرة لتكرار حدوث الهطول. على وجه التحديد، يقلل CSU-PCAST من الانحياز الرطب الكبير الذي لوحظ في GEFS للهطول الخفيف ويظهر انحيازًا جافًا أضعف عند العتبات الأعلى. بالإضافة إلى ذلك، تكشف تحليل خطأ الجذر التربيعي المتوسط (RMSE) أن CSU-PCAST يقدم توقعات هطول أمطار حتمية محسنة على المدى القصير مقارنة بـ GEFS، خاصة خلال الأيام الخمسة الأولى من التوقع. ومع ذلك، يتناقص هذا الميزة في فترات زمنية أطول، مما يشير إلى أنه بينما يعزز CSU-PCAST دقة التنبؤ على المدى القصير، فإن فوائده محدودة مع تمدد أفق التوقع.
طرق
يستخدم نموذج CSU-PCAST بنية ذاتية الانحدار على طراز FuXi معززة بكتل Swin Transformer لالتقاط الاعتماد الزماني المكاني في الحقول الجوية. تعتبر الابتكار الرئيسي في CSU-PCAST هو إدخال الاضطرابات العشوائية في التمثيل الكامن عالي الأبعاد، مما يعزز تنوع الجماعة. يتميز النموذج بمفكك ثنائي المخرجات: فرع واحد يتنبأ بمتغيرات حالة الغلاف الجوي والسطح للخطوات الذاتية التالية، بينما يتنبأ الآخر بإجمالي الهطول على مدى فترة 6 ساعات، مع اعتبار الهطول كمخرج تشخيصي منفصل. تتكون البنية من أربعة مكونات رئيسية: تضمين الرقع، عمود فقري من نوع U-Transformer، وحدة تكييف الضوضاء، وطبقات مخرجات متصلة بالكامل، مع حقول الإدخال التي يتم استيفاؤها إلى شبكة 720 × 1440.
لتقليل التكاليف الحاسوبية، يستخدم CSU-PCAST وحدة تضمين رقع ثنائية الأبعاد، تحول شكل موتر الإدخال من [1، 2، 60، 720، 1440] إلى [1، 120، 720، 1440]. يدمج النموذج المعلومات الزمنية من خلال الترميزات الجيبية ويستخدم مشفرًا هرميًا مع كتل متبقية وطبقات تقليل. يتم تحقيق التكييف العشوائي من خلال تطبيع الطبقة الشرطية (CLN)، الذي يعدل الميزات باستخدام موتر ضوضاء منخفض الدقة. يعالج المفكك المخرجات من مجموعة Swin Transformer من خلال فروع منفصلة لمتغيرات الهطول وغير الهطول، مما ينتج في النهاية توقعًا مدمجًا مكونًا من 58 قناة. تشمل مقاييس التقييم التقييمات الحتمية والاحتمالية، مثل خطأ الجذر التربيعي المتوسط (RMSE)، ومؤشر النجاح الحرج (CSI)، ومجموعة متنوعة من التشخيصات الاحتمالية لقياس جودة التوقع.
نقاش
في قسم النقاش من ورقة البحث، يقيم المؤلفون أداء نموذج CSU-PCAST مقارنة بـ GEFS في التنبؤ بالهطول الاحتمالي. تشير النتائج إلى أن CSU-PCAST يتفوق باستمرار على GEFS من حيث درجة احتمال الترتيب المستمر (CRPS) ودرجة مهارة Brier (BSS)، خاصة في فترات زمنية أقصر ولعتبات الهطول الخفيف. درجة CRPS لـ CSU-PCAST أقل عبر نطاق التوقع، مما يشير إلى جودة أفضل للتوقع الاحتمالي، بينما تشير نسبة الانتشار إلى RMSE إلى تحسين تشتت الجماعة. ومع ذلك، تظهر كلا النموذجين نقصًا في التشتت، حيث يظهر CSU-PCAST تحسنًا أكثر وضوحًا في موثوقية الجماعة.
تسلط تحليل حدث الهطول الشديد Sanba الضوء على نقاط القوة في CSU-PCAST، حيث يظهر ارتباطًا مكانيًا أعلى وإرشادات أفضل للأحداث الاحتمالية مقارنة بـ GEFS، على الرغم من أن كلا النموذجين يقدران إجماليات الهطول الإقليمي بشكل غير كاف. تشير النتائج إلى أنه بينما يعزز CSU-PCAST عدة جوانب من التنبؤ بالهطول، لا تزال هناك تحديات في تمثيل شدة الهطول العالية بدقة والحفاظ على انتشار الجماعة مع زيادة عدم اليقين في التوقع. يشير المؤلفون إلى أن التحسينات ليست متجانسة عبر عتبات مختلفة، وفترات زمنية، ومناطق، مما يدل على الحاجة إلى تحسين مستمر في استراتيجيات تدريب النموذج والمعايرة لتعزيز قدرات التنبؤ بالهطول.
DOI: https://doi.org/10.1038/s41612-026-01475-9
Publication Date: 2026-07-07
Author(s): Zhenyun Du et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
The section presents an overview of CSU-PCAST, a deep learning-based ensemble forecasting framework designed for medium-range global precipitation prediction. This model addresses the challenges of accurately forecasting precipitation intensity, spatial structure, and ensemble reliability over longer lead times. It is trained using ERA5 atmospheric and surface variables at a spatial resolution of 0.25° and IMERG precipitation labels, incorporating 57 prognostic variables alongside static geographical data. The architecture features a patch-based Swin Transformer backbone, residual convolutions for continuity, stochastic noise conditioning, time embeddings, and a dual-branch decoder for predicting both precipitation and non-precipitation variables.
Evaluation results from 2023 indicate that CSU-PCAST outperforms the operational GEFS in short-lead deterministic skill, evidenced by higher Critical Success Index (CSI) and lower Root Mean Square Error (RMSE) during the initial forecast days. The model also mitigates the GEFS wet bias for light precipitation and reduces dry bias at the 10 and 20 mm thresholds. Probabilistic assessments reveal lower Continuous Ranked Probability Score (CRPS) and higher Brier Skill Scores, indicating improved ensemble reliability, though both CSU-PCAST and GEFS exhibit underdispersion. A case study on extreme precipitation events further highlights CSU-PCAST’s enhanced spatial structure and exceedance-probability guidance, while noting that regional precipitation totals, high-end intensity, and ensemble calibration require additional refinement.
Introduction
The introduction emphasizes the critical role of accurate precipitation prediction in disaster mitigation, water resource management, and sustainable development. It highlights advancements in numerical weather prediction (NWP) due to improvements in high-performance computing, noting that traditional NWP systems rely on solving complex partial differential equations (PDEs) to simulate atmospheric processes. While these systems provide physically rigorous forecasts, they are computationally intensive and often fail to capture atmospheric uncertainty, which has led to the adoption of ensemble prediction systems. These systems generate multiple forecasts by perturbing initial conditions, thereby quantifying uncertainty and providing a range of possible outcomes essential for informed decision-making in various sectors.
The evaluation of ensemble-pooled precipitation frequency bias indicates that the CSU-PCAST system outperforms the GEFS ensemble in terms of calibration for precipitation occurrence frequency. Specifically, CSU-PCAST reduces the significant wet bias observed in GEFS for light precipitation and exhibits a weaker dry bias for higher thresholds. Additionally, the root mean square error (RMSE) analysis reveals that CSU-PCAST offers improved short-range deterministic precipitation forecasts compared to GEFS, particularly within the first five forecast days. However, the advantage diminishes at longer lead times, suggesting that while CSU-PCAST enhances short-term forecasting accuracy, its benefits are limited as the forecast horizon extends.
Methods
The CSU-PCAST model employs a FuXi-style autoregressive architecture enhanced with Swin Transformer blocks to capture spatiotemporal dependencies in atmospheric fields. A key innovation of CSU-PCAST is the introduction of stochastic perturbations in the high-dimensional latent representation, which fosters ensemble diversity. The model features a dual-output decoder: one branch forecasts atmospheric and surface state variables for subsequent autoregressive steps, while the other predicts total precipitation over a 6-hour period, treating precipitation as a separate diagnostic output. The architecture comprises four main components: patch embedding, a U-Transformer backbone, a noise-conditioning module, and fully connected output layers, with input fields interpolated to a 720 × 1440 grid.
To reduce computational costs, CSU-PCAST utilizes a two-dimensional convolutional patch embedding module, transforming the input tensor shape from [1, 2, 60, 720, 1440] to [1, 120, 720, 1440]. The model incorporates temporal information through sinusoidal encodings and employs a hierarchical encoder with residual blocks and downsampling layers. Stochastic conditioning is achieved via Conditional Layer Normalization (CLN), which modulates features using a low-resolution noise tensor. The decoder processes outputs from the Swin Transformer stack through separate branches for precipitation and non-precipitation variables, ultimately producing a concatenated 58-channel forecast. Evaluation metrics include deterministic and probabilistic assessments, such as root-mean-square error (RMSE), Critical Success Index (CSI), and various probabilistic diagnostics to quantify forecast quality.
Discussion
In the discussion section of the research paper, the authors evaluate the performance of the CSU-PCAST model compared to the GEFS in probabilistic precipitation forecasting. The results indicate that CSU-PCAST consistently outperforms GEFS in terms of Continuous Ranked Probability Score (CRPS) and Brier Skill Score (BSS), particularly at shorter lead times and for light precipitation thresholds. The CRPS for CSU-PCAST is lower across the forecast range, suggesting better probabilistic forecast quality, while the spread-to-RMSE ratio indicates improved ensemble dispersion. However, both models exhibit underdispersion, with CSU-PCAST showing a more pronounced improvement in ensemble reliability.
The analysis of the Sanba extreme precipitation event further highlights CSU-PCAST’s strengths, as it demonstrates higher spatial correlation and better probabilistic event guidance than GEFS, despite both models underestimating regional precipitation totals. The findings suggest that while CSU-PCAST enhances several aspects of precipitation forecasting, challenges remain in accurately representing high-end precipitation intensity and maintaining ensemble spread as forecast uncertainty increases. The authors note that improvements are not uniform across different thresholds, lead times, and regions, indicating the need for ongoing refinement in model training and calibration strategies to enhance precipitation forecasting capabilities.