The Upscaling Problem: Diagnosing Forecast Error Growth in Next-Generation AI and Physics-Based Weather Prediction Models

Projektbeschreibung

KI-basierte Wettervorhersagemodelle angesichts komplexer Zirkulationsmuster

Fortschritte im Bereich der künstlichen Intelligenz sowie die Entwicklung kilometergroßer, physikbasierter Modelle zur Auflösung tiefreichender Konvektion haben zu Wettervorhersagesystemen geführt, die bestehende globale Modelle häufig übertreffen und eine höhere Vorhersagbarkeit ermöglichen. Leider wurde trotz dieser technologischen Fortschritte beobachtet, dass KI-basierte Systeme bei komplexen, skalenübergreifenden Zirkulationsmustern, bei denen häufig extreme Wetterereignisse auftreten, ähnliche Einbußen bei der Vorhersagegüte aufweisen. Das UPDAP-Projekt, das durch die Marie-Skłodowska-Curie-Maßnahmen unterstützt wird, wird den ersten systematischen Vergleich von physikbasierten und KI-basierten Modellen durchführen, um deren Effizienz bei der Erfassung der Konvektions-Jetstream-Kopplung zu bewerten und zu untersuchen, wie sich diese Kopplung auf die Vorhersagegenauigkeit in Europa auswirkt.

Ziel

Operational weather prediction is entering a hybrid era, combining rapidly developing global AI-based models with a new generation of kilometer-scale physics-based models that explicitly resolve deep convection. AI-based systems often outperform current global models that parameterize convection on standard forecast skill metrics, while kilometer-scale models promise improved predictability through more realistic representations of mesoscale processes. However, major uncertainties remain regarding how these emerging paradigms simulate and predict complex, scale-coupled circulation patterns. A critical example is the interaction between organized mesoscale convection over North America and the jet stream. In contemporary physics-based models, misrepresentation of this coupling is a well-known driver of sudden degradation in forecast skill over Europe, often coinciding with high-impact weather events. Recent evidence indicates that global AI-based models are also vulnerable to sharp drops in European forecast skill when circulation patterns favor convection–jet stream coupling. Thus, both AI-based and physics-based approaches introduce significant uncertainty for forecast users, particularly during high-impact weather events. This makes it essential to conduct process-level evaluations across modelling paradigms to uncover the mechanisms within these circulation patterns that trigger rapid forecast error growth. UPDAP will provide the first systematic intercomparison of AI-based and physics-based models (including kilometer-scale models) to determine how well they capture convection–jet stream coupling and its influence on European predictability. The project’s outcomes will deliver actionable insight forecast data users, guiding the safe and reliable integration of AI and kilometer-scale physics models into future operations.