在卫星降水观测上重训 AIFS 得到的 Laxmi，把全球概率精度提升 19%，并在 10 场印度热带风暴中 7 场给出最准的 150 毫米事件累计降水预报
核心概要
研究者把 ECMWF 开源业务化 0.25 度概率图变换器天气模型 AIFS 改用卫星降水观测重新训练，得到 Laxmi，其全球概率精度提升 19%，小雨（小于 3 毫米/天）过度预报减少 33%，全球 95 百分位 Brier 技巧分提升 57%，并在 10 场印度热带风暴个例中于 7 场给出最准确的 150 毫米事件累计降水预报（AIFS 为 1 场、领先物理模型 IFS 为 2 场）。
Figure 1: Global precipitation intensity distributions compared to IMERG observations. 99 th percentile precipitation for ( a ) ERA5, ( b ) IMERG, and ( c ) the difference computed between 2001 and 2023. Fraction of 6-hour time windows which experience between 0.1 and 1 mm 6 hr − 1 1\;\mathrm{mm\;6hr^{-1}} for ( d ) ERA5, ( e ) IMERG, and ( f ) the difference, computed between 2001 and 2023. Mean precipitation rates over the period are shown in Supplementary Fig. 1, and regional ERA5-to-IMERG frequency ratios are shown in Supplementary Fig.2̃. . ( g ) Precipitation intensity ratios, or the model frequency divided by observed IMERG frequency for a given precipitation intensity, are evaluated at 0.25 ∘ spatial resolution for IFS, Laxmi, AIFS-MSE, and AIFS-CRPS. To compute these ratios, we aggregate 24-hour accumulated precipitation for 94 forecasts for each model for all lead times up to 15 days. IMERG frequencies are computed over the global domain between 60 ∘ S and 60 ∘ N between January 2023 to September 2025. A ratio of 1, shown with a horizontal black line, indicates that a model perfectly emulates the observed precipitation frequency distribution of IMERG. Solid lines distinguish models trained with IMERG precipitation observations, whereas dashed lines denote the physics-based IFS and AIWP models trained on ERA5 precipitation. We exclude observations that are less than 0.1 mm day − 1 0.1\mathrm{\,mm\;day{{}^{-1}}} and truncate at the high end above 908 mm day − 1 908\mathrm{\,mm\;day^{-1}} where the baseline IMERG probability density drops below 10 − 10 10^{-10} . The probability densities before a ratio is taken are shown in Supplementary Fig. 3.
arXiv深度剖析
把 AI 天气模型从再分析数据训练改为直接使用卫星降水观测训练，可以显著改善全球降水概率预报精度。 以往多数 AI 天气模型以 ERA5 再分析产品为训练与评估基准，而 ERA5 存在已知偏差；该工作直接在卫星降水观测上重训 AIFS，得到 Laxmi，全球概率精度提升 19%。 以全球概率精度提升 19% 这一整体指标呈现，并配合下文的分位数与个例结果，属于模型级对比证据。
Laxmi 缓解了 ERA5 带来的系统性分布偏差，既减少小雨过度预报，也减轻极端降水低估。 针对 ERA5 已知偏差，Laxmi 对小于 3 毫米/天的降水量把毛毛雨过度预报减少 33%，同时把全球 95 百分位 Brier 技巧分提升 57%，说明改进不限于平均误差。 以两个具体偏差指标（33% 与 57%）量化，分别对应弱降水与极端降水两端。
在印度热带风暴个例中，Laxmi 对强降水事件累计量的预报优于 AIFS 与领先物理模型 IFS。 在 10 场印度热带风暴的个例研究中，Laxmi 在 7 场给出最准确的 150 毫米事件累计降水预报，而 AIFS 为 1 场、IFS 为 2 场。 个例研究样本为 10 场风暴，以事件累计降水这一可操作指标计数比较，属于小样本个例证据。
启示与展望
该结果面向全球降水概率预报，尤其是弱降水偏差与极端降水低估这两类问题，适用于以 AIFS 为基础、希望用观测降水替代再分析降水训练的预报流程；对农业、洪涝等依赖降水预报的部门，其价值在于把改进落到事件累计降水这类可操作指标上。个例部分针对印度热带风暴，说明该方法在强对流性降水场景中也被检验。
当前仅见摘要级信息，训练数据的具体来源与时段、评估所用的观测基准、以及 19%、33%、57% 等指标的统计不确定性都未在文本中展开；10 场印度热带风暴的个例结果样本有限，其结论能否推广到其他区域与其他类型的降水系统，仍是需要进一步观察的问题。