AviaSafe: A Physics-Informed Data-Driven Model for Aviation Safety-Critical Cloud Forecasts¶

会议: CVPR 2026
论文: CVF Open Access
代码: 无
领域: 物理信息神经网络 / 气象预报 / 时空预测
关键词: 物理信息神经网络, 云微物理预报, 航空安全, 层级化架构, 结冰指数

一句话总结¶

AviaSafe 把"先用掩码定位云在哪、再回归云有多浓"的层级化思路和航空气象里验证多年的"结冰条件指数(IC)"嵌进一个 Swin Transformer 预报骨干里，第一次实现了全球、逐 6 小时、可分相态（冰/液/雨/雪）的云微物理量预报，在 93.7% 的变量-时效组合上优于 FuXi 基线，并在 7 天时效的关键背景变量上追平甚至超过业务级数值预报 ECMWF HRES。

研究背景与动机¶

领域现状：以 GraphCast、Pangu-Weather、FuXi 为代表的 AI 天气预报模型已经用千倍的计算加速逼平甚至超过传统数值预报(NWP)，但它们的预报对象都是位势、温度、风、比湿这类空间上平滑、连续的大尺度大气变量。

现有痛点：航空安全真正关心的是云的相态——高冰水含量(HIWC)云会让过冷水滴在发动机上爆发性结冰，导致功率骤降甚至停车，全球约 11%–30% 的航空事故与恶劣天气相关。但现有 AI 模型只预报"总云水""总降水"这类聚合湿度量，把所有凝结水当成一种东西，无法区分冰相还是液相；传统 NWP 虽然能用显式微物理方程模拟相态，却算力昂贵难以业务化，而且在零下条件下倾向把液态水过早转成冰相，系统性低估云液水含量，从而漏报结冰风险。

核心矛盾：云的四个相态量(CIWC 云冰、CLWC 云液、CRWC 云雨、CSWC 云雪)是稀疏、间断、重尾的场——大部分格点为零，少数地方有极端值。直接用预报平滑变量的那套均匀回归网络去拟合，要么把稀疏的发生区域抹平、要么在不该有云的地方生成伪影；同时纯数据驱动训练没有物理约束，可能产出违反热力学的状态。

本文目标：在保持 AI 模型计算高效的前提下，直接预报四个可分相态的云微物理量，覆盖全球、逐 6 小时、最长 7 天时效，且预报要物理自洽、能服务航线规划。

切入角度：作者的关键观察是——云的形成本身是"两步的"：先要满足特定大气条件云才会出现，云出现后强度才由局地热力学过程决定。把这个物理事实映射成网络结构，就能避免让一个回归器同时背负"判断有没有云"和"算云多浓"两个统计性质截然不同的任务。

核心 idea：用"先定位后定量"的层级化架构，再把航空气象里经验验证了几十年的结冰条件指数(IC index) 作为无参数物理先验注入掩码预测分支，让网络在物理可信的区域里聚焦回归云强度。

方法详解¶

AviaSafe 把天气预报形式化为序列到序列问题：输入两个历史大气状态 \((X_{t-1}, X_t)\)，预测下一时刻 \(\hat{X}_{t+1}\)，再自回归滚动得到多步时效。整个模型最大的特点不是换了多强的骨干，而是围绕"云是稀疏间断的"这一事实，把预报拆成定位(哪里有云) + 定量(云多浓) 两个解耦子任务，并用物理公式给定位环节兜底。

整体框架¶

数据来自 ERA5 再分析，1°×1° 全球 181×360 网格，9 个变量 × 13 个气压层 = 117 通道。变量被分成两组：要直接预报的云微物理量(CIWC/CLWC/CRWC/CSWC)，和提供大尺度动力-热力环境的背景变量(位势 Z、温度 T、比湿 Q、纬向风 U、经向风 V)。

模型由两个协同模块组成：预报骨干(Forecasting Backbone) 和物理引导头(Physics-Informed Guidance Head)。输入经编码器 \(E\) 和一串 Swin Transformer V2 块提取多尺度时空特征；骨干一边把自身特征送进两个解耦解码器分别预报平滑的背景变量和稀疏的云变量，一边把各 Swin 块的输出拼成多尺度特征 \(F_{backbone}\)（梯度截断后）喂给引导头。引导头先用一个纯公式的 IC Block 算出"潜在结冰区"掩码，再把它和"当前云在哪"的诊断掩码、以及 \(F_{backbone}\) 一起送进 Mask Predictor，预测出未来云掩码 \(Mask_{t+1}\)；这个掩码经卷积后回注到云预报路径，逐元素加到骨干特征上、再过一个 Swin 块精炼，最后由云解码器 \(D_{Cloud}\) 输出云微物理预报。两个解码器的输出拼接成完整的 \(\hat{X}_{t+1}\)。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["历史状态<br/>Xt-1, Xt"] --> B["编码器 E +<br/>Swin V2 骨干"]
    B -->|背景变量平滑| C["解耦双解码器：<br/>背景路径 D"]
    B -->|多尺度特征 Fbackbone<br/>梯度截断| E["物理引导掩码预测头"]
    A --> D["IC 物理先验<br/>T,Q → 结冰指数"]
    D --> E
    E --> F["未来云掩码 Maskt+1"]
    F -->|逐元素加 + Swin 精炼| G["层级解耦云路径<br/>DCloud"]
    B -->|云特征| G
    C --> H["拼接输出 Xt+1"]
    G --> H

关键设计¶

1. 层级化"先定位再定量"+ 解耦双解码器：把稀疏判断和强度回归拆开

这一步直接针对"稀疏间断场不能用平滑回归器硬拟合"的痛点。传统做法是一个网络一口气回归所有变量，但云变量大部分格点是零、少数是极端值，均匀回归器会被零主导而把发生区域抹平。AviaSafe 把云预报拆成两层：先由引导头预测未来云会出现在哪（一个二值掩码 \(Mask_{t+1}\)，本质是分割任务），再由云解码器只在这些区域里回归云有多浓（回归任务）。这正好对应物理事实——云的出现取决于大尺度大气条件，云的强度取决于局地热力学。

与此配套的是解耦双解码器：平滑的背景变量(Z/T/Q/U/V)走直通的解码器 \(D\)，稀疏的云变量走带掩码引导的解码器 \(D_{Cloud}\)，两条路各用适配自己变量统计特性的策略。消融显示，仅仅做这一步任务解耦（w/o (MP, IC)，即去掉掩码预测但保留双解码器）就已经在 9 个变量里的 8 个上优于 FuXi 基线，证明"别让一个回归器同时背平滑场和稀疏场"本身就是大头收益。

2. IC 物理先验：用无参数的结冰指数告诉网络"哪里可能长冰晶"

纯数据驱动的掩码预测容易注入噪声引导（消融里的 w/o IC 变体就出现了云变量误差不降反升）。作者引入航空气象里经验验证了几十年的结冰条件指数(IC index)，它是一个完全确定、不含任何可学习参数的公式，把温度、气压、湿度映射成"过冷水能否存在、冰晶能否爆发性增长"的指示。

具体地，每个气压层 \(k\) 的 IC 值是湿度因子和温度因子的乘积 \(IC_k = f_Q \cdot f_T\)。湿度因子由比湿 \(Q\)、温度 \(T\)、气压 \(p\) 算出：

\[f_Q(Q_k, T_k, p_k) = 2.0 \times \left( \frac{p_k \cdot Q_k}{\varepsilon \cdot e_s(T_{C,k})} - 0.5 \right)\]

其中 \(\varepsilon = 0.622\) 是物理常数，\(e_s\) 是用 August-Roche-Magnus 公式算的饱和水汽压 \(e_s(T_C) = 6.1094 \times \exp\!\left(\frac{17.625\,T_C}{T_C + 243.04}\right)\)，\(T_C = T - 273.15\) 是摄氏温度。温度因子则是 \(f_T(T_{C,k}) = T_{C,k} \cdot \frac{T_{C,k} + 14.0}{-49.0}\)，这是一个对过冷水温度区间敏感的抛物线型权重。把 IC 指数当成一张 13 通道的"潜在云生长区"掩码注入网络，相当于把领域知识直接写进了输入，保证引导信号物理可信，而不是让网络盲猜。

3. 物理引导掩码预测头：融合诊断掩码、IC 掩码与截断的主干特征

引导头要回答"未来云在哪"。它的输入是两路拼接：一路是 65 通道的混合物理特征，由两种互补掩码拼成——① 诊断掩码 \(Mask_{cloud}\)（52 通道二值图，对四个输入云变量做阈值得到，表示"当前哪里有云"）；② 潜在掩码 \(Mask_{ic}\)（13 通道，即设计 2 算出的 IC 指数，表示"哪里可能长云"）。另一路是预报骨干输出的多尺度特征 \(F_{backbone}\)。

这里有个关键工程细节：\(F_{backbone}\) 在送入引导头前被从反向梯度流中 detach 截断。这样引导头能蹭到骨干丰富的层级语义，但它的梯度不会反过来污染专注做回归的骨干参数——回归任务和分割任务的优化目标被干净地隔离。两路特征拼成 \(F\) 后过 Mask Predictor：先 MLP 投影到优化表示空间，再过一个 Swin 块捕捉长程空间依赖，最后用反卷积上采样恢复全分辨率，得到 \(Mask_{t+1}\)。这张预测掩码经一个卷积层提炼成引导特征，回注到云解码路径，把 \(D_{Cloud}\) 的容量集中到真正有云活动的区域。

损失函数 / 训练策略¶

模型端到端训练，损失是预报主损失加掩码辅助损失的加权和。主损失用纬度加权 Charbonnier L1 损失（L1 的鲁棒变体，对离群值不敏感）：

\[\mathcal{L}_{\text{forecast}} = \frac{1}{N} \sum_{i=1}^{N} \alpha_i \sqrt{(\hat{X}_i - X_i)^2 + \epsilon^2}\]

其中 \(\alpha_i\) 是纬度权重，校正不同纬度格点面积差异。掩码预测因为云像素极度稀疏、类别严重不平衡，用 Focal Loss 做辅助监督：\(\mathcal{L}_{\text{guide}} = \frac{1}{M}\sum_j [-\alpha_t(1-p_{t,j})^\gamma \log(p_{t,j})]\)，取 \(\gamma = 1.5\)、\(\alpha_t = 0.25\)。总损失 \(\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{forecast}} + \lambda \mathcal{L}_{\text{guide}}\)，\(\lambda = 1\) 给两个任务等权。训练用 2 张 A100、32000 次迭代、总 batch 8、AdamW(\(\beta_1=0.9, \beta_2=0.95\)，权重衰减 0.1)、初始学习率 \(2.5\times10^{-4}\) 配余弦退火；训练集 2018–2023，测试集独立留出整个 2024 年。

实验关键数据¶

主实验¶

基线是复现的 FuXi（20 个 Swin V2 块），并与业务级 ECMWF HRES（0.1° 双线性插值到 1°）对比。核心结论：AviaSafe 在 93.7% 的变量-时效组合上的归一化 RMSE(NRMSE) 优于 FuXi 基线；背景变量上 >92% 的预报步为负 NRMSE（即更优），云变量里 CRWC 有 85.7% 的步、CLWC 有 89.3% 的步胜出。对 CIWC 的长时效优势尤其明显：1–2 天两者接近，但 3–7 天差距显著拉开，且优势不随时效衰减反而持续增大，到 15 天仍在改进。

对比	变量/范围	AviaSafe 表现	说明
vs FuXi 基线	全变量×7天	93.7% 组合 NRMSE 更优	总体优势
vs FuXi 基线	背景变量 Z/T/U/V/Q	>92% 预报步更优	平滑场也涨
vs FuXi 基线	CIWC 3–7 天	优势显著且随时效增长	长时效不衰减
vs ECMWF HRES	Q500/T500 7天	持平到更优	追平业务 NWP（云变量因 HRES 产品缺失无法直比）

消融实验¶

表 1 报告前 5 天平均 RMSE（越低越好），逐步加组件：

配置	CIWC50 (×10⁻⁸)	CLWC100 (×10⁻⁸)	CRWC250 (×10⁻⁸)	Z500	说明
Baseline (FuXi)	1.059	1.318	1.010	139.52	单一回归器
w/o (MP, IC)	1.012	0.892	0.889	138.95	仅解耦双解码器
w/o IC	1.053	0.968	0.961	137.23	加掩码预测但无物理先验
AviaSafe (Full)	0.956	0.875	0.863	135.81	完整模型

关键发现¶

任务解耦贡献最大：仅去掉掩码预测保留双解码器(w/o (MP, IC))就在 9 个变量里 8 个胜过基线，说明"别让一个回归器同背平滑场和稀疏场"是最大头的收益来源。
无物理先验的掩码会帮倒忙：w/o IC 变体在背景变量上继续降误差，却在云变量上误差回升（CIWC50 从 1.012 涨到 1.053）——没有 IC 约束的掩码会向云路径注入噪声引导。加上 IC 后完整模型相对次优变体在 CIWC50 降 5.5%、CRWC250 降 2.9%，证明物理先验把掩码"稳"住了。
物理可解释性案例：作者把气象可预报性里的条件非线性最优扰动(CNOP)框架迁移过来做"显著性图"，对 2024 年 1 月一次 HIWC 云事件分析，发现模型识别出阿拉伯半岛上空的高空脊为关键信号，向东传播输送水汽触发目标区成云；反事实扰动实验还显示模型有相态依赖行为：水汽充足但温度不利时冰相生成被抑制，与已知热力学一致。

亮点与洞察¶

把"先定位后定量"做成网络结构而非后处理：稀疏场预报的老大难是发生区被抹平，AviaSafe 用分割(掩码)+回归(强度)两层解耦从根上回避，而且这个拆分有清晰的物理对应（云的出现 vs 云的强度由不同机制决定），不是工程上的拍脑袋。
无参数物理先验是最低成本的领域知识注入：IC 指数是纯公式、零可学习参数，却能在消融里把"帮倒忙的掩码"扭转成"有效空间先验"，这种"用经验公式当输入通道"的做法可以迁移到任何有成熟领域经验公式的预测任务（如海洋、电力负荷）。
梯度截断隔离双任务：\(F_{backbone}\) detach 这个细节很容易被忽略，但它保证了分割辅助任务不会反噬主回归骨干，是多任务里"借特征但不串梯度"的干净写法。
优势随时效增长而非衰减：大多数预报模型误差随时效单调恶化，AviaSafe 对 CIWC 的相对优势却在长时效持续扩大，说明物理约束在长滚动下抑制了误差累积，这对中长期航空规划价值很大。

局限与展望¶

作者承认：当前时空分辨率偏粗(1°、6 小时)、预报时效偏短，后续要做高分辨率、更长时效，并融入观测数据。
云变量无法直接对标业务 NWP：因测试期 ECMWF HRES 的云产品不可得，论文只能在背景变量上和 HRES 比，云变量的"超越 NWP"缺乏直接证据，仅与自家 FuXi 基线对比 ⚠️。
IC 指数是经验公式：它对过冷水/冰晶的刻画来自航空观测经验，温度因子的具体形式（如 \(-49.0\)、\(+14.0\) 等常数）属于工程拟合，跨气候带或极端情形的普适性未做敏感性分析。
改进思路：可把诊断掩码的阈值、IC 因子的系数也变成可学习/可校准的，在保留物理形式的同时让数据微调常数；或引入卫星/雷达观测做数据同化，缓解 ERA5 本身对云液水的偏差。

评分¶

新颖性: ⭐⭐⭐⭐ 首个全球、逐6小时、可分相态的数据驱动云微物理预报，把航空 IC 指数与神经网络结合的角度新颖。
实验充分度: ⭐⭐⭐⭐ 主实验 + 三档消融 + CNOP 可解释性案例较完整，但云变量无法直比业务 NWP 是硬伤。
写作质量: ⭐⭐⭐⭐ 动机推导清晰、物理公式给全、架构图配套；个别公式排版（缓存里 LaTeX 有乱码）需对照原文。
价值: ⭐⭐⭐⭐ 直接服务航空结冰风险评估与航线优化，应用价值明确，物理先验注入范式可迁移。