发表机构
Research Applications Laboratory; NSF National Center for Atmospheric Research; Department of Mathematics, Emory University（研究应用实验室; 美国国家科学基金会国家大气研究中心; 埃默里大学数学系）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究提出含AI有限区域模型与扩散模型的AI动力降尺度系统，经20个2020-2024年热带气旋评估，可稳定降尺度大西洋飓风，生成高技巧极端天气，优于确定性基准，为小尺度极端天气解析提供范例。
AI 中文摘要
本研究提出了一种基于人工智能的热带气旋（TC）动力降尺度系统。该系统包含一个基于人工智能的有限区域模型，可自回归地将3小时分辨率的低分辨率边界强迫降尺度为小时分辨率的高分辨率场；还包含一个扩散模型，可将输出转换为与灾害相关变量的集成。该系统在重网格处理的CONUS404数据（搭配ERA5强迫）上进行训练，并在2020至2024年的20个热带气旋上进行评估。验证显示，该系统在大西洋飓风季表现出稳定的降尺度性能，其能谱与CONUS404参考数据高度匹配；同时经验证，该系统可生成具有预报技巧的热带气旋相关极端天气，较确定性AI基准有显著提升。该系统在使用其他模型（GDAS/FNL）的强迫数据时也表现良好，且在热带气旋案例研究中能生成详细的眼墙、雨带和登陆结构。本研究为设计基于人工智能的动力降尺度系统以解析小尺度极端天气事件提供了良好范例。
英文摘要
This study presents an AI-based dynamical downscaling system for Tropical Cyclones (TCs). The system incorporates an AI-based limited-area model that downscales 3-hourly low-resolution boundary forcings into hourly high-resolution fields autoregressively, and a diffusion model that converts the outputs into ensembles of hazard-relevant variables. The system is trained on the regridded CONUS404 data with ERA5 forcings, and is evaluated on 20 TCs in 2020--2024. Verification shows stable downscaling performance across Atlantic hurricane seasons, with energy spectra closely matching the CONUS404 reference. The system is also verified to produce skillful TC-relevant weather extremes, largely improved over a deterministic AI baseline. The system performs well with forcing data from other models (GDAS/FNL) and can produce detailed eyewall, rainband, and landfall structures in TC case studies. The study provides a good example of how AI-based dynamical downscaling systems can be designed to resolve small-scale extreme weather events.
