知识卡片：基于卫星散射计星座的海上风力精确预报

一句话结论

WindCastNet 是首个直接从卫星散射计星座不规则观测数据学习海上风速和风向的临近预报框架，在北海测试中相比数值天气预报模型 HARMONIE MEPS，于 1 小时和 2 小时提前期分别降低均方根误差 23% 和 7%，前三小时优于持续性预报 9–15%。

事件概述/研究问题

准确的海上风电日内预报对电力系统运行及高比例风电并网日益关键。现有运行预报主要依赖数值天气预报（NWP），但 NWP 对分钟至小时级（主导因素为初始场精度）的提前期优化不足。卫星散射计观测虽被常规同化进 NWP，却从未被直接用于预报。本研究提出一种新范式：直接利用欧、中、印三颗散射计卫星组成的星座所获取的时空不规则微波雷达观测，进行海上风场预报。

方法/产品要点

• 模型架构：部分卷积长短期记忆网络（partial convolutional LSTM），专门处理不规则空间覆盖、异步采样和可变重访时间。
• 输入编码：显式编码空间观测掩码与观测间隔，利用连续时间表示支持任意提前期的预报输出。
• 数据源：欧洲、中国、印度的散射计卫星星座微波雷达观测。

主要结果或产业意义

• 在北海区域评估：相比 HARMONIE MEPS，WindCastNet 在 1 小时和 2 小时提前期分别将 RMSE 降低 23% 和 7%。
• 前三小时预报优于持续性预报方法 9–15%。
• 在强风条件及空间非均匀流场下预报技巧下降。
• 意义：首次证明卫星散射计星座可独立、有竞争力地提供短时海上风场预报，为可再生能源预报及更广泛的海洋天气应用（如热带气旋临近预报）开辟新机会。

为什么重要

现有海上风电预报高度依赖 NWP，而 NWP 在极短期（分钟至小时）尺度并非最优；本研究直接利用卫星观测数据，以数据驱动方式弥补这一短板，且不依赖传统大气模型，具备独立性和可扩展性。

局限与不确定性

• 强风及空间非均匀流场下预报性能衰减明显。
• 模型具体架构细节、训练超参数、完整数据集描述及对比基线（如更多 NWP 模式）待核实。
• 实际部署可行性（实时数据流、计算延迟）及跨区域泛化能力待核实。

可用于图书/PPT/简报的角度

• AI + 可再生能源：作为人工智能从卫星遥感数据直接学习物理场、提升新能源预报精度的典型案例。
• 卫星遥感新应用：说明多国卫星星座协同可产生超越单一卫星或传统同化方法的预报能力。
• 对比传统数值预报：强调在分钟至小时尺度上数据驱动方法可成为 NWP 的互补甚至替代方案。

原始材料

• 论文标题：Skillful forecasting of offshore winds from satellite scatterometer constellations
• arXiv 链接：https://arxiv.org/abs/2607.27152v1
• 来源领域：academic
• 关键词：foundation-model, offshore wind forecasting, satellite scatterometer, nowcasting, partial convolutional LSTM, renewable energy
• 英文标题与关键词已保留。