该技能用于全球网格化 2 米温度 24 小时预报任务,数据规格为 64x32 等角 ERA5 / WeatherBench 2 网格。
用途
当任务要求对全球网格化地表场做 24 小时超前预报时使用。输入包括训练记录字段(T、lon、lat,单位为开尔文,带 ISO UTC 时间,6 小时间隔、连续步长),以及每次初始化的上下文(n, 4, lon, lat),对应初始化前 18、12、6、0 小时四个时次,并附带 init_time(n 个 ISO 字符串)。
交付物
输出为初始化后 24 小时的浮点预报(n, lon, lat),单位为开尔文,轴顺序与存储的(经度、纬度)顺序一致,数值有限且处于物理范围(约 150-350 K,可识别摄氏温度误用)。
质量评估
采用 WeatherBench 2 RMSE,越低越好:每次初始化先计算面积加权均方误差的平方根(权重与 sin(lat + d/2) - sin(lat - d/2) 成正比,均值为 1),再对初始化取平均(scilib.weather.lat_weighted_rmse)。自然参照包括持续性预报(初始化时刻的场)以及季节循环加阻尼距平持续性。
主要能力
核心入口为 scilib.weather.fit_predict(fields, times, context, init_time)(算子 gridded_field_patch_ridge_forecast):对每个网格单元和 UTC 小时分箱拟合季节循环(常数加 3 个年谐波),然后对每个纬度行,用四个上下文场的 (2r+1)x(2r+1) 距平 patch 对 +24 小时距平做岭回归(默认半径 2、lam 30;经度环绕)。构建模块包括 fit_seasonal_cycle、seasonal_cycle_at、anomalies(算子 gridded_field_seasonal_anomalies)、fit_patch_ridge、predict_patch_ridge、lat_weights。
验证方式
weather.blocked_cv(fields, times, gap_days=6) 在记录内部做时间块交叉验证(训练步与留出块的距离大于 gap_days),返回每次初始化的 RMSE。算子 gridded_field_lat_weighted_rmse 可对任意预报评分。工具库不含预训练的全球天气模型资产(scienceclaw_tools(operation=weights) 可列出已暂存内容)。
限制与注意事项
须遵守时间因果性:只在发出预报之前的记录步上拟合,且第 i 行预报只能由 context[i] 和 init_time[i] 计算。其他初始化的上下文可能包含第 i 项的未来信息,不能跨项汇集上下文来预报目标。短记录(如一年)上拟合的季节循环会被外推到其他季节或年份,应在更晚或不同时段验证,而非随机时间步(相邻步强自相关,故需块间隔)。验证初始化与最终初始化应使用同一预报函数,验证预报只对由验证上下文构建的验证目标评分。保持单位为开尔文和 (lon, lat) 轴序;经度周期、纬度非周期;不要转成摄氏度或转置输出。