[论文解读] Evaluating the Predictability of Selected Weather Extremes with Aurora, an AI Weather Forecast Model

Qin Huang, Moyan Liu+2 more|arXiv (Cornell University)|Mar 6, 2026

Tropical and Extratropical Cyclones Research被引用 0

一句话总结

论文评估 Aurora，一种 AI 天气预测模型，在1到21天前提下对热带气旋、冻结、热浪、大气河流和极端降水这几类选择性天气极端事件的可预测性，强调短期强势但在亚季节尺度的极端强度存在失效模式。

ABSTRACT

AI weather foundation models now achieve forecast skill comparable to numerical weather prediction at far lower computational cost, yet their predictability for high-impact extremes across dynamical regimes remains uncertain. We evaluate Aurora using an event-based framework spanning tropical cyclones, freezes, heatwaves, atmospheric rivers, and extreme precipitation at lead times from 1 to 21 days. Aurora demonstrates strong short-range (1-7 day) skill across event types, including competitive tropical cyclone track accuracy and high spatial agreement for temperature and moisture extremes. However, a consistent subseasonal failure mode emerges: while large-scale circulation patterns remain moderately skillful at 14-21 day leads, threshold-based extreme intensity collapses as fields regress toward climatology. This divergence indicates that Aurora retains synoptic-scale dynamical structure but loses surface-impact amplitude beyond 7-10 days. The practical predictability horizon for deterministic AI extreme-event forecasting therefore remains constrained by intrinsic atmospheric dynamics.

研究动机与目标

• 评估 Aurora 对多 regime 下选定天气极端事件的预报技能。
• 量化1到21天内的性能。
• 识别可预测性中的失效模式，特别是对更长期的地表冲击幅度。

提出的方法

• 使用覆盖热带气旋、冻结、热浪、的大气河流和极端降水的事件驱动框架。
• 评估1到21天的预报技能。
• 分析同震级结构和地表冲击幅度，以识别与气候异常的偏离。

实验结果

研究问题

• RQ1 Aurora 在1–7天、以及不同事件类型的预测选定天气极端事件时表现如何？
• RQ2 在14–21天预报时，模型是否仍保留同震级动力结构，以及这与地表冲击幅度有何关系？
• RQ3 在7–10天以后的极端强度预报中，Aurora 的失效模式是什么？

主要发现

• Aurora 在1–7天的短期预测具有强劲技能，适用于所有事件类型。
• 热带气旋路径预报准确性具有竞争力，温度/水汽极端在空间上具有高一致性。
• 一个持续的亚季节性失效模式浮现：阈值驱动的极端强度在14–21天时回归到气候等值，预测崩塌。
• Aurora 保留了同震级动力结构，但在7–10天后丧失地表冲击幅度。