近日，实验室青年教师许鹏博联合上海张江数学研究院，在Nature旗下期刊《Communications Earth & Environment》上发表题为“An artificial intelligence-based limited area model for forecasting of surface meteorological variables”的学术论文，许鹏博为该论文第一作者。
研究团队共同开发了一款基于人工智能的有限区域天气预报模型“应龙（YingLong）”。以北美东（ED）、西部（WD）两个典型区域为测试对象，构建了空间分辨率达3公里、时间分辨率1小时的区域预报模型，重点关注近地两米温度（T2M）、平均海平面气压（MSLP）、近地十米风速（U10/V10）等关键气象变量。
图1、YingLong预报区域海拔图。WD为西部区域、ED为东部区域。图中点表示观测台站位置。
关键技术突破：
1、并行全局-局部架构：YingLong采用创新的“局部-全局双分支”神经网络结构（Local-Global Parallel Architecture），其中局部分支基于Swin Transformer捕捉地形、局地环流等细节特征，全局分支通过自适应傅里叶神经算子（AFNO）提取大尺度气象模态，二者协同提升多尺度特征建模能力。实验表明，该架构参数规模（6050万）显著低于纯Swin模型（8500万），训练效率更高。本文中的模型主要基于百度飞桨（PaddlePaddle）架构开发。
图2、YingLong模型架构
2、边界条件动态融合技术：针对区域模型依赖边界条件的难题，团队提出“动态平滑边界策略”，将全球AI模型（如Pangu-Weather）的粗分辨率预测与区域模型输出在边界区域加权融合，有效缓解了传统数值模型中因物理参数化差异导致的边界误差。例如，在西部多山区域（WD），207公里宽边界层的平滑处理使风速预测误差降低12%。
图3、YingLong滚动预报流程图
3、数据驱动的高效训练：模型基于美国高分辨率快速更新（HRRR）2015-2021年分析数据训练，涵盖不同版本系统数据以增强泛化性。仅需单块A100显卡即可在2秒内生成48小时预报，较传统NWP提速超百倍。同时，将全球AI预报大模型的预测结果作为YingLong区域预报的侧边界条件，实现区域预报流程的全AI化，显著提升区域预报效率。
核心成果：
1、风速预测优势显著：在北美东、西部区域，YingLong的48小时风速预报均方根误差（RMSE）比传统WRF-ARW模型低15%-20%。YingLong的逐小时风速预报数据可为风电场调度、功率预测提供高时效支撑。
图4、YingLong预报均方根误差RMSE对比（以台站观测为基准）。其中HRRR.F表示HRRR预报模式，即WRF-ARW。YingLong-Pangu 和 YingLong-HRRR.F24 分别代表由 Pangu 以及 WRF-ARW 模式（将 3km 空间分辨率降采样至 24km，以接近全球预报的空间分辨率）提供的区域侧边界。
2、复杂地形适应性：尽管西部多山区域（WD）预报整体难度更高，但YingLong通过局部特征强化，在风速预测上仍保持稳定精度。
图5.YingLong预报结果可视化以及绝对误差MAE空间分布（以分析资料为基准）。
3、极端事件预警潜力：针对强风事件（如17.2 m/s大风），YingLong的极端事件检测指数（SEDI）比NWP提高0.2，误报率（FAR）降低10%，显示其在灾害预警中的应用前景。
应用前景与挑战：下一步，研究团队将通过多模态数据融合提升YingLong热力学变量建模能力。未来，YingLong将集成至城市气象服务、新能源电力调度等领域，通过其强大的数据分析和智能预测能力，为这些领域的创新发展提供强有力的技术支撑，助力行业实现更高效、更精准的智能化升级，从而推动整个产业生态的蓬勃发展。