观潮 · 模式预报与气象 AI 观察
次季节土壤湿度预报：残差学习是超越持续性的关键，但快速干旱爆发仍是难题
传统干旱是慢过程，可能持续数月甚至数年。快速干旱（Flash Drought, FD）是一类以异常快速加剧为特征的干旱，其爆发与干旱严重程度的突然增加相关，可能对农业和生态系统造成重大影响。由于陆-气相互作用的复杂性和快速发展，FD 仍然难以检测和预测。
当前数值天气预报系统在次季节到季节（Subseasonal-to-Seasonal, S2S）尺度上的能力有限，传统 NWP 系统往往难以为快速地表干燥事件提供足够早且可靠的信号。因此需要改进数据驱动方法。
问题定义比模型架构更重要
作者提出了一个核心观点：预报技巧不仅取决于模型本身，还取决于预测问题的定义方式。具体来说，两个因素起决定性作用：
- 残差学习 vs 直接预测：预测偏离最新观测状态的偏差（残差学习），而非预测绝对值。残差学习在短提前期超越持续性至关重要，因为强时间自相关主导了可预测性。
- 目标表示：预测物理单位的根区土壤湿度（SM100，0–100 cm 层），而非标准化距平（SMA）。SM100 一致优于 SMA，在 90 天配置下比持续性高 +15.1%，而 SMA 在相同配置下没有超越持续性。
这个发现与 Garg et al. 的结论一致：在十个全球 AI 天气模型中，训练流程选择与底层架构对预报技巧的贡献相当。
SMCast：双路径 Vision Transformer
作者提出 SMCast，一个基于 Vision Transformer（ViT）的双路径架构，用于欧洲 S2S 土壤湿度预报。ViT 适合这个问题，因为土壤湿度变率同时反映大尺度大气强迫和持续性地表记忆。
双路径设计：时间注意力和空间注意力分开处理，通过可学习门控结合。这比全联合时空注意力计算成本低得多——全联合注意力对 90 天逐日帧在欧洲域上按二次方扩展，计算上不可行。
残差学习：模型预测偏离最新观测状态的偏差，而非绝对土壤湿度。这有效去除了低频持续性成分，使网络专注于气象强迫和陆-气耦合。
概率扩展：通过分位数头（Quantile-Head, QH）微调提供校准良好的预测分布，无需重新训练编码器。
快速干旱预警：后处理路径将 SM100 预报映射到百分位空间，显示技巧性土壤湿度预测可以转化为有意义的 FD 信号。
实验设计
评估期为 2021–2022 年，包含 2022 年欧洲干旱，提供了极端条件下的严格测试。
第一阶段：与三个深度学习基线比较，每个模型用五个随机种子训练，报告均值和跨种子标准差。
模型 · 类型 · 平均 MAE · 超越持续性
SMCast · 双路径 ViT + 残差 · 最低 · 是
CrossFormer · 交叉尺度注意力 · 次低 · 是
U-Net · 全卷积 · 第三 · 是（仅前两个提前期领先）
E3D-LSTM · 循环网络 · 最高 · 否
第二阶段：与持续性、气候态和 ECMWF S2S 预报比较。ECMWF S2S 仅每周一和周四发布，因此所有模式预测和 ERA5 都子采样到相应初始化日期。ECMWF S2S 仅延伸到第 46 天，所以第二阶段限制在前九个 pentad 提前期（第 1–45 天）。
结果
确定性技巧：SMCast 在所有提前期都优于其他模型。在匹配容量和相同输入下，双路径时空注意力优于卷积、循环和交叉尺度设计。
概率校准：分位数头提供校准良好的预测分布，在极端事件检测中优于纯确定性残差学习。
快速干旱检测：SMCast 能可靠检测异常干燥根区状态（低于第 20 百分位）。但快速干旱爆发（由多 pentad 加剧标准定义）仍然是所有当前 S2S 系统的根本挑战。
输入窗口分析：技巧在约 90 天窗口饱和，延长到 120 天在中等到长提前期没有进一步增益，反而增加计算成本。
作者承认的限制
直接多视野解码器：SMCast 使用直接多视野解码器而非自回归方法。虽然避免了预报窗口上的误差累积，但可能限制捕捉快速干旱爆发特有的快速非线性转换的能力。递归方法可能改善长提前期性能，但代价是累积误差。
ERA5 再分析数据：评估依赖 ERA5 再分析作为输入和验证，ERA5 土壤湿度的系统性偏差会传播到训练和验证中。需要原位观测或卫星产品（如 GLEAM）验证。
快速干旱爆发检测：基于事件标准的 CSI 仅 0.04，突出了从平滑预报场捕捉快速百分位转换的根本困难。这是所有近期研究共有的挑战。
测试期较短：评估期相对较短，需要多年评估覆盖更多独立快速干旱事件。
一句话判断
次季节土壤湿度预报的技巧瓶颈不在模型架构，而在问题定义——残差学习和物理单位目标表示是超越持续性的关键，但快速干旱爆发的快速非线性转换仍然是所有当前系统的根本挑战。
图 1：SMCast 的完整流程图。从 ERA5 逐日输入（90 天动态变量 + 静态场），经双路径时空编码器（时间注意力 + 空间注意力，可学习门控融合）和提前期条件解码器（残差头输出 y0+Δy），生成 10 个 pentad 的根区土壤湿度预报，最后通过后处理转换为百分位空间用于快速干旱预警（SM 百分位 < 20 触发干旱信号）。