[论文解读] AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts

Zijian Zhu, Qiusheng Huang+3 more|arXiv (Cornell University)|Feb 25, 2026

Icing and De-icing Technologies被引用 0

一句话总结

AviaSafe 以物理信息驱动的分层神经框架在全球6小时粒度、最长7天的预测中给出四种云微物理成分，优于基线并在关键变量上与 ECMWF 的一些指标相当或更好。

ABSTRACT

Current AI weather forecasting models predict conventional atmospheric variables but cannot distinguish between cloud microphysical species critical for aviation safety. We introduce AviaSafe, a hierarchical, physics-informed neural forecaster that produces global, six-hourly predictions of these four hydrometeor species for lead times up to 7 days. Our approach addresses the unique challenges of cloud prediction: extreme sparsity, discontinuous distributions, and complex microphysical interactions between species. We integrate the Icing Condition (IC) index from aviation meteorology as a physics-based constraint that identifies regions where supercooled water fuels explosive ice crystal growth. The model employs a hierarchical architecture that first predicts cloud spatial distribution through masked attention, then quantifies species concentrations within identified regions. Training on ERA5 reanalysis data, our model achieves lower RMSE for cloud species compared to baseline and outperforms operational numerical models on certain key variables at 7-day lead times. The ability to forecast individual cloud species enables new applications in aviation route optimization where distinguishing between ice and liquid water determines engine icing risk.

研究动机与目标

• 在全球范围内以6小时为间隔、最长7天预测四种云微物理成分（CIWC、CLWC、CRWC、CSWC）。
• 将结冰条件（IC）指数作为物理约束纳入以引导云预测。
• 开发一个分层模型，在预测区域内将云存在性与强度分离。
• 在基线深度学习模型上实现效率与精度的提升，并与 ECMWF HRES 的背景变量进行比较。

提出的方法

• 以 ERA5 再分析数据作为输入，包含13个气压层上的9个变量（117 通道）及背景场。
• 采用两分支架构：用于回归的 Forecasting Backbone 搭配 Swin Transformer 模块，以及产生未来云掩模 Mask_{t+1} 的 Physics-Informed Guidance Head。
• 掩模引导由诊断云掩模与基于 IC 的潜在掩模组成；再与骨干特征融合以细化云预测。
• 通过在各气压层对湿度因子 f_Q 与温度因子 f_T 的无参乘积来计算 IC，以识别高结冰潜势区域。
• 以复合损失函数进行训练：以纬度加权的 Charbonnier L1 预测损失+基于 Focal Loss 的辅助掩模引导损失（lambda=1）。
• 以 RMSE 和 ACC 在 500 hPa 变量、7 天时间步下的预测对比 ECMWF HRES 与 FuXi 风格基线进行评估。

实验结果

研究问题

• RQ1 一个物理信息驱动、分层神经预测模型是否能够在航空相关的预报时效内全球分辨出云种分布预测？
• RQ2 将 IC 指数作为物理约束引入是否提升云相预测的物理合理性和技能？
• RQ3 在预测云微物理与关键背景变量的7天时间范围内，AviaSafe 相较于前沿数值天气预报与数据驱动基线的表现如何？
• RQ4 掩模引导的分层结构对航空相关云预测的性能与可解释性贡献为何？

主要发现

Model	CIWC50	CLWC100	CRWC250	CSWC600	U500	V500	Z500	T600	Q600
Baseline	1.059	1.318	1.010	4.359	2.857	2.903	139.52	0.898	6.908
w/o (MP, IC)	1.012	0.892	0.889	4.346	2.857	2.899	138.95	0.900	6.899
w/o IC	1.053	0.968	0.961	4.341	2.832	2.874	137.23	0.890	6.886
AviaSafe Model (Ours)	0.956	0.875	0.863	4.340	2.826	2.871	135.81	0.889	6.855

• AviaSafe 在评估输出的变量-时间步对中，整体优势于基线的比例为 93.7%。
• 在云微物理量方面，AviaSafe 在 CIWC、CLWC、CRWC/CSWC 的多级别与多阶段领先于基线，显示显著改进。
• 与 ECMWF HRES 相比，AviaSafe 在7天时段对多种背景变量的 RMSE 更低，ACC 相当或更好。
• CIWC 预测呈现远距优越性，随日数增加到第7天及以后持续提升。
• 消融研究表明，完整的物理信息与掩模引导模型在云与背景变量的整体性能上表现最佳。
• 基于 CNOP 的可解释性分析将模型的敏感性与已知的天气图与热力学模式对齐，支持物理上连贯的预测。