WeatherBenchX项目：稀疏观测数据评估指南

概述

在气象预报领域，评估模型预测准确性是至关重要的环节。WeatherBenchX项目提供了一套完整的工具链，用于评估网格化预报数据与稀疏地面观测数据（如METAR气象站数据）之间的差异。本文将详细介绍如何使用WeatherBenchX进行这类评估工作。

准备工作

首先需要导入必要的Python模块：

import numpy as np
from weatherbenchX import interpolations, binning, aggregation
from weatherbenchX.metrics import base as metrics_base
from weatherbenchX.metrics import deterministic
from weatherbenchX.data_loaders import sparse_parquet, xarray_loaders

数据加载与处理

定义评估变量和时间范围

variables = ['2m_temperature', '10m_wind_speed']
init_times = np.array(['2020-01-01T00', '2020-01-01T12'], dtype='datetime64[ns]')
lead_times = np.array([6, 12], dtype='timedelta64[h]').astype('timedelta64[ns]')

加载稀疏观测数据

METAR数据采用Parquet格式存储，这是一种高效的列式存储格式：

target_data_loader = sparse_parquet.METARFromParquet(
    path='gs://weatherbench2/datasets/metar/metar-timeNominal-by-month/',
    variables=variables,
    partitioned_by='month',
    time_dim='timeNominal',
    add_nan_mask=True
)
target_chunk = target_data_loader.load_chunk(init_times, lead_times)

加载后的数据具有以下特点：

• 仅包含索引维度
• 初始时间和提前时间作为非维度坐标
• 包含NaN掩码处理缺失值
• 同一站点同一时间可能有多个观测值

数据预处理选项

WeatherBenchX提供了多种数据预处理选项：

1. dropna：自动删除包含NaN值的记录
2. split_variables：按变量拆分数据集
3. remove_duplicates：去除重复观测

预报数据插值

创建插值器

将网格化预报数据插值到观测站点位置：

interpolation = interpolations.InterpolateToReferenceCoords(
    method='nearest',  # 最近邻插值方法
    wrap_longitude=True  # 处理经度环绕
)

加载预报数据

prediction_data_loader = xarray_loaders.PredictionsFromXarray(
    path='gs://weatherbench2/datasets/hres/2016-2022-0012-64x32_equiangular_conservative.zarr',
    variables=variables,
    interpolation=interpolation,
)
prediction_chunk = prediction_data_loader.load_chunk(init_times, lead_times, reference=target_chunk)

评估指标计算

定义评估指标

metrics = {
    'rmse': deterministic.RMSE(),  # 均方根误差
    'mae': deterministic.MAE(),    # 平均绝对误差
}

计算统计量

statistics = metrics_base.compute_unique_statistics_for_all_metrics(
    metrics, prediction_chunk, target_chunk
)

数据聚合与分析

由于提前时间不再是维度坐标，需要特殊处理：

bin_by = [binning.ByExactCoord('lead_time')]  # 按提前时间分箱
aggregator = aggregation.Aggregator(
    reduce_dims=['index'],  # 缩减索引维度
    bin_by=bin_by,         # 分箱规则
    masked=True            # 使用掩码
)
aggregation_state = aggregator.aggregate_statistics(statistics)

技术要点解析

1. 稀疏数据处理：气象站观测数据天然具有稀疏性，WeatherBenchX提供了专门的处理工具

2. 数据对齐：通过插值方法确保预报数据和观测数据在空间位置上对齐

3. 缺失值处理：提供了NaN掩码和自动删除两种处理方式

4. 时间维度处理：针对非均匀时间观测的特殊处理方案

5. 评估指标：内置多种常用气象预报评估指标

应用场景

这种评估方法特别适用于：

• 验证高分辨率区域预报模型
• 评估不同数据同化方案的效果
• 比较不同数值预报系统的性能
• 机器学习气象模型的验证

通过WeatherBenchX提供的这套工具，研究人员可以快速构建完整的气象预报评估流程，专注于科学问题本身而非数据处理细节。