文献来源：Evaluation of the Pangu model in forecasting rapid intensification of tropical cyclones
期刊：Atmospheric and Oceanic Science Letters, 2026, 19: 100721（开放获取，CC BY-NC-ND）
作者：Yuchen Li, Yun Zhang*, Hepeng Zheng*（国防科技大学 气象海洋学院；中国气象局高影响天气重点实验室，长沙）
DOI：10.1016/j.aosl.2025.100721；收稿 2025-07-23；修回 2025-09-04；接受 2025-09-26；在线 2025-09-30
关键词：Pangu model；Tropical cyclone；Rapid intensification；AI model limitations
研究背景与目标
- • 核心问题：热带气旋（TC）强度预报至今仍是气象预报最难的问题之一，特别是快速增强（RI：Kaplan & DeMaria 2003 定义为 24 h 内强度增加 ≥30 kt ≈ 15 m s⁻¹）过程；RI TC 涉及复杂的多尺度非线性物理过程，传统数值预报（NWP）模式对其物理过程表征不完整，预报能力受限。
- • 现有方法局限：传统 NWP 模式（如 WRF）分辨率与物理方案难以完整刻画 RI 的多尺度非线性过程，导致 RI TC 强度与路径预报误差大；近年基于卫星与雷达的观测研究（如 Wu et al. 2021 用 GPM + S 波段多普勒雷达分析 Lekima 登陆降水微物理；Wu et al. 2023 用多卫星资料揭示 Nanmadol (2022) RI 期间云动力与微物理的相互作用）加深了对 RI 机理的认识，但尚未形成可业务化的精准预报方法。
- • 模型/方法优势：华为发布的盘古（Pangu-weather）大模型是首个在多项预报任务上精度超过传统 NWP 的全球 AI 模式（Bi et al. 2023, Nature 619: 533--553），神经网络擅长识别数据中的复杂非线性关系，被期待能攻克 RI TC 预报难题。
- • 研究空白与目标：Bi et al. (2023) 只评估了 Pangu 的 TC 路径能力，未评估强度，特别是 RI 过程；本文目标是用 WRF 做对照（同样以 ERA5 作初始场、可用 vortex-following 嵌套），系统评估 Pangu 对 RI / non-RI TC 的强度与路径预报能力，并讨论其局限与机理。
研究方法
研究对象
选取 9 个 TC 个例，覆盖 WP（西北太平洋）/ NA（北大西洋）两洋盆、RI 与 non-RI 两类、不同强度与持续时间，尽量兼顾训练集内外样本（Table 1）。
| TC 名 | 年份 | 起止时间 (UTC) | 洋盆 | 类别 |
|---|---|---|---|---|
| Nanmadol | 2022 | 09/13 06:00 -- 09/19 00:00 | WP | RI |
| Chanthu | 2021 | 09/07 00:00 -- 09/11 00:00 | WP | RI |
| Laura | 2020 | 08/24 00:00 -- 08/28 00:00 | NA | RI |
| Rai | 2021 | 12/14 12:00 -- 12/20 00:00 | WP | RI |
| Muifa | 2022 | 09/09 00:00 -- 09/14 00:00 | WP | RI |
| Florence | 2018 | 09/03 00:00 -- 09/09 12:00 | NA | RI |
| Yutu | 2018 | 10/23 18:00 -- 11/01 06:00 | WP | non-RI |
| Fiona | 2022 | 09/18 18:00 -- 09/21 18:00 | NA | non-RI |
| Xianba | 2022 | 06/30 06:00 -- 07/02 18:00 | WP | non-RI |
对 RI TC，分析时段从增强开始、经强度减弱到稳定，以保证涵盖完整 RI 过程。
模型/方法配置
- • Pangu：华为 Pangu-weather 全球 AI 模式；用 ERA5（1979--2019）训练（Bi et al. 2023）；按 Bi et al. (2023) 的 6 h 迭代方式运行，并采用 greedy 策略（每步选最长可用预报步）以减少自回归误差累积；TC 中心定位取最佳路径近似区域内的最低海平面气压，最大 10 m 风在中心附近验证。
- • WRF：参照 Wu et al. (2022)，采用 vortex-following 双重嵌套（Table 2）。
| 类目 | 参数 | 取值 |
|---|---|---|
| 域与分辨率 | 嵌套域 | 2（母域 + 1 重） |
| 嵌套比 | 3（母域 9 km；嵌套 3 km） | |
| 垂直层 | 47（eta_levels 1.000 -- 0.000） | |
| 物理方案 | 微物理 | WDM 7 |
| 对流 | 母域 Tiedtke；嵌套 OFF | |
| 长波辐射 | PRTMG | |
| 短波辐射 | PRTMG | |
| 行星边界层 | MYJ | |
| 近地面层 | Monin--Obukhov（Janjic Eta） | |
| 陆面 | unified Noah | |
| 初始化 | 初始场 | ERA5（与 Pangu 同源，保证公平对比） |
| 输出 | TC 定位/强度 | ATCF（自动 TC 中心定位与强度） |
对每个 TC，WRF 嵌套域起点对应该 TC 起始时刻的中心。
评估方法与数据
样本分类
- • RI TC：按 Kaplan & DeMaria (2003) 定义，24 h 内强度增加 ≥30 kt（≈ 15 m s⁻¹）；6 例。
- • non-RI TC：不满足上述 RI 判据；3 例（Yutu、Fiona、Xianba）。
统计误差指标
- • 强度：中心气压（hPa）、10 m 最大风速（m s⁻¹）；以最佳路径（OBS）为真值，做时序对比、偏差与标准差、相关系数。
- • 路径：TC 中心位置误差（km），以最佳路径为真值；统计量用 RMSE（直方图）、及"位置误差 -- 预报时效"时序曲线。
- • 注：论文未给出统一的列联表 / 混淆矩阵类分组性能指标；本研究的"分组性能评估"通过 RI vs non-RI 的 RMSE 对比实现（见结果 3.2 / 3.3）。
验证数据
- • 最佳路径（OBS）：作为 TC 中心与强度的真值。
- • ERA5 再分析：Pangu 与 WRF 共用的初始场（保证同源对比）。
样本与分组分析
- • 强度分析：逐 TC 时序对比 Pangu、WRF 与 OBS，标注标定的 RI 时段（蓝虚线之间）。
- • 路径分析：逐 TC 路径图 + 整组 RMSE 直方图（RI 组、non-RI 组分开）。
- • 时效分析：位置误差随预报时效（h）的逐 TC 演化。
空间/案例验证
本研究未做独立的空间场验证（如降水 / 风场的空间分布对比），仅做 TC 路径的空间对比与强度时序对比；WRF 的优势主要体现在能解析中尺度对流过程（Skamarock et al. 2019），从而更好地模拟内部动力强的 TC。
主要结果
-
- 整体结论：Pangu 对 RI TC 的强度与路径预报均明显弱于 WRF（vortex-following 模式）；对 non-RI TC，Pangu 路径预报优于 WRF。RI 过程对 Pangu 路径预报的影响远大于对 WRF。
-
- 强度预报（图 1）：Pangu 对 RI TC 强度存在系统性偏低（under-forecast），且强度变化曲线过度平滑，几乎抓不到非线性 RI 趋势；以 Nanmadol (2022) 为例，观测峰值风速 >50 m s⁻¹，Pangu 预报始终 <30 m s⁻¹；Chanthu (2021) 的 24 h ≈ 30 m s⁻¹ 增强在 Pangu 预报中只表现为微小起伏。Pangu 的标准差明显小于观测（如 Nanmadol 低约 40%），与观测的相关系数普遍 <0.5；WRF 在 Florence、Chanthu、Rai 等例中虽也偏低，但趋势与观测更一致，能部分捕捉 RI。
-
- 路径预报（图 2、图 3） ：
- • RI TC（图 2）：6 例 RMSE 均 >100 km；Muifa (2022) 242.3 km、Florence (2018) 309.4 km；其中 Laura (2020) 与 Rai (2021) 两例 Pangu 优于 WRF（图 2(d)(f) 红框）。
- • non-RI TC（图 3）：Pangu 三例 RMSE 均 <100 km（Yutu 76.3、Xianba 62.5、Fiona 33.2），WRF 在 Yutu/Xianba 上明显偏大（158.5、91.2）；Pangu 在 non-RI TC 路径上整体优于 WRF，与 Bi et al. (2023) 对 2018 年 88 个 TC 的结论一致。
-
- 时效与机理（图 4）：non-RI TC（图 4a--c）中 Pangu 位置误差最大值均 <150 km，全程有起伏但均值较稳定；WRF 误差随时效呈单调上升（符合数值模式误差累积特征）。RI TC（图 4d--i）中 Chanthu、Nanmadol、Muifa、Florence 四个例里 Pangu 误差随时效明显陡升；Laura、Rai 增速相对较缓但也接近或 >200 km。结合图 1 可看出：Pangu 路径误差显著增大并维持高位的时段，恰好发生在 TC 完成 RI、达到最大强度之后；Laura 误差在 RI 期呈阶梯式上升；Rai 在第一次 RI 期上升、第二次 RI 期相对平稳并略降。说明 Pangu 抓不到 RI 的快速变化与极端值，对应时段路径也偏弱；RI 对 Pangu 路径的影响比对 WRF 更显著。
-
- 机理讨论：Pangu 训练数据 ERA5 分辨率仅 0.25°，低于 WRF 等高分辨率 NWP，难以解析次网格物理过程，导致预报更贴近大尺度环境场而非 TC 自身特征。RI TC 在全球再分析数据中时空占比小，被数据驱动的 Pangu 在优化过程中被更频繁、强度中等的天气系统主导，极端事件被平均效应平滑。路径上：弱 TC 受环境流引导（易预测），强 TC 自主控制路径（难预测）；Pangu 擅长大尺度引导流，所以弱 TC / 非 RI 路径好，强 TC / RI 路径差；WRF 擅长中尺度对流过程，对内部动力强的 TC 更友好。
-
- 结论与展望：Pangu 在 RI TC 上强度系统偏低、路径误差大；其"黑箱"特性使结果更适合统计解释而非物理解释。后续工作建议（a）在 AI 训练中引入物理约束；（b）对大模型输出做中小尺度的强度订正；（c）用 XAI（可解释 AI）探查 Pangu 决策依据。
图片
图 1：6 个 RI TC 的中心气压与 10 m 最大风速预报时序对比
图 1 Pangu（红）与 WRF（绿）对 6 个 RI TC 的中心气压（hPa，左）与 10 m 最大风速（m s⁻¹，右）预报时序，附最佳路径 OBS（黑）。子图：(a) Nanmadol (2022)、(b) Chanthu (2021)、(c) Muifa (2022)、(d) Laura (2020)、(e) Florence (2018)、(f) Rai (2021)。每个子图蓝虚线之间为标定的 RI 过程。Pangu 强度曲线普遍远低于 OBS 且过度平滑，WRF 趋势更接近观测（Nanmadol 实测峰值风速 >50 m s⁻¹，Pangu 始终 <30 m s⁻¹）。
图 2：6 个 RI TC 的路径预报与 RMSE
图 2 (a--f) Pangu（红）、WRF（绿）对 6 个 RI TC 的路径预报及 OBS（黑）；(g) Pangu 与 WRF 路径 RMSE（km）柱状对比。Pangu 6 例 RMSE 均 >100 km（Nanmadol 169.3、Chanthu 138.3、Laura 161.0、Muifa 242.3、Florence 309.4、Rai 127.5）；(d) Laura (2020) 与 (f) Rai (2021) 两例（红框）Pangu 优于 WRF------与这两例峰值强度持续短、强度起伏大（时间平均强度偏弱）有关。
图 3：3 个 non-RI TC 的路径预报与 RMSE
图 3 (a--c) Pangu（红）、WRF（绿）对 3 个 non-RI TC 的路径预报及 OBS（黑）：(a) Yutu (2018)、(b) Xianba (2022)、(c) Fiona (2022)；(d) RMSE（km）柱状对比。Pangu 三例 RMSE 均 <100 km（76.3 / 62.5 / 33.2），明显优于 WRF（Yutu 158.5、Xianba 91.2、Fiona 42.5），与 Bi et al. (2023) 对 2018 年 88 个 TC 的结论一致。
图 4：9 个 TC 路径误差随时效的演化
图 4 Pangu（红）与 WRF（蓝）路径误差（km）随预报时效（h）的逐 TC 演化。(a--c) non-RI TC：Yutu (2018)、Xianba (2022)、Fiona (2022)，Pangu 误差平稳（最大值 <150 km），WRF 随时效单调上升。(d--i) RI TC：Chanthu (2021)、Nanmadol (2022)、Laura (2020)、Muifa (2022)、Florence (2018)、Rai (2021)；Pangu 在 Chanthu/Nanmadol/Muifa/Florence 中误差随时效陡升，Laura、Rai 上升相对缓。结合图 1 可见，误差显著增大并维持高位的时段恰发生在 TC 完成 RI、达最大强度之后------Pangu 抓不到 RI 的快速变化，对应时段路径也偏弱；RI 对 Pangu 路径的影响比对 WRF 更显著。