Page 36 - 2025年第56卷第10期

本文采用 HRES 初始场作为气象大模型的驱动数据。主要原因在于：ERA5 数据通常滞后约 5 天更
新，难以满足时效性要求 ［28］ ；HRES 初始场能够有效检验气象大模型业务性能，并且大模型预报数据
与 HRES 预报数据源自同一初始场，保证了性能对比的公平性和科学性 ［23］ 。硬件配置方面，本文使用
Ubuntu 22.04 系统的工作站，中央处理器（CPU）为 AMD EPYC 7532（32 核，64 线程，2.4 GHz 主频），内
存为 128 GB，显卡为 NVDIA RTX A6000（48 GB 显存），GraphCast、FuXi 和 AIFS 模型占用的总存储空
间为 11 GB。经过测试，气象大模型业务预报各个步骤的耗时如表 1 所示。
3.2 评估方法 利用受试者操作
表 1 气象大模型业务预报耗时 单位：s
特征（Receiver Operating Character‐
业务运行步骤 GraphCast FuXi AIFS
istic，ROC）曲线对气象大模型降
HRES 初始场下载 178.8±95.5 151.1±80.7 198.4±105.9
水预报性能进行评估，计算 ROC
初始场数据准备 10.4±0.4 4.5±0.1 8.6±0.7
技 能 分 数（ROCSS）。 ROC 曲 线 是
首次生成 10 d 预报 152.3±8.1 92.9±4.1 66.8±1.9
以假阳性率为横坐标，真阳性率 业务生成 10 d 预报 72.7±0.9 78.8±0.4 56.3±0.5
为纵坐标绘制的曲线，ROC 技能
分数（ROCSS）衡量命中和误报之间的整体判别能力 ［39］ 。计算公式如下：
ROCSS = 2( AUC - 0.5) （1）

式中 AUC 为 ROC 曲线下的面积，计算公式如下：
1
AUC = ∫ HdF （2）
0
式中 H 和 F 分别代表真阳性率和假阳性率，计算公式如下：
I
∑ n = 1 ( f n > q|o n > q )
N
H (q) = N （3）
I
∑ n = 1 ( o n > q )
N
I
∑ n = 1 ( f n > q|o n ≤ q )
F (q) = N ) （4）
∑ n = 1 ( o n ≤ q
I
ì 1， f n > q
I( f n > q) = í （5）
î 0， 其他
式中：N 为网格数量；f n 和 o n 分别为网格 n 的预报降水量和观测降水量；q 为设定的降水阈值。对所有
可能的降水阈值 q 计算 H 和 F，绘制 ROC 曲线并计算 ROCSS，以综合考虑所有网格不同量级降水的信
息 ［23，31］ 。ROCSS 的取值范围为-1～1，数值越高，预报性能越好 ［39］ 。

4 结果分析

4.1 逐 6 h 降水量预报检验 针对北江“2022.6”和“2024.4”区域平均逐 6 h 降水量，各模型暴雨预
报的 ROCSS 如图 2 所示。预见期为 6 h 时，GraphCast 的 ROCSS 中位数为 0.50 和 0.47，FuXi 的为 0.59 和
0.53，AIFS 的为 0.57 和 0.53，HRES 的为 0.46 和 0.41。随着预见期从 6 h 增加到 240 h，各模型的降水预
报性能均呈现下降趋势。当预见期低于 2 d 时，各模型的 ROCSS 基本大于 0，表明其预报性能优于随机
猜测；当预见期超过 2 d 时，出现较多负值 ROCSS，说明模型的预报性能开始低于随机水平。值得指
出的是，当降水量较大时，各模型的降水预报表现均呈现一定程度的下降，热力图中强降水时段与
ROCSS 值较低的条带在时间上耦合。相比 HRES，GraphCast、FuXi、AIFS 在预报较小降水量时的表现
更好，显示出气象大模型在预报较小降水量时的优势。FuXi 在预见期 5 ~ 6 d 时表现出明显的性能变
化，热力图中这一时段呈现出清晰的水平分界线，这与其 1 ~ 5 和 6 ~ 10 d 预见期采用不同子模型的级
联架构密切相关 ［21］ 。
［30］
根据 6 h 降水量划分出小雨［0.1mm，2.5mm）、中雨［2.5mm，7.5 mm）和大雨［7.5mm，+∞） ，评
估不同预见期和降水强度下预报性能，结果如图 3 所示。GraphCast、FuXi、AIFS 和 HRES 的降水预报

— 1283 —