动力学与生成式降尺度对比：次季节极端降水预报的极限测试

粗糙的空间分辨率限制了次季节预测模型解析极端降水的能力。利用动力学模型或深度生成模型进行降尺度可以克服这一问题，但这两种模型在不同大气流型下针对极端事件的对比性能仍有待深入研究。在本研究中，我们通过对两次物理特征各异的极端降水事件进行长达3周预见期的降尺度预测，评估对比了天气研究与预报（WRF）模型与基于扩散的生成模型。WRF模型无需针对特定模型进行训练即可对来自不同驱动模型的边界条件进行降尺度，为了与其进行公平比较，扩散模型采用了非成对方式进行训练。与瑞士雨量计-雷达融合观测数据（CombiPrecip）相比，这两种方法均较欧洲中期天气预报中心（ECMWF）的原始预报有所改进，但在不同天气流型下展现出了各自的优势。WRF在一次多单胞、非平稳事件中取得了最高的概率预报技巧。相反，扩散模型在两次事件的不同性能指标上表现更为稳定，并在一次更具平稳性的超级单胞事件中优于WRF。这些结果表明，显式动力学建模能够在次季节预见期内为特定的降水事件提供预报增值，而生成式降尺度则能在不同情境下提供更广泛的增值价值。