AI for Climate：基础模型如何改善极端天气预测

AI 助力气候：基础模型如何提升极端天气预报

GraphCast 和 Pangu-Weather 在 2025 年的测试中，在 10 天预报准确性方面取得了可衡量的提升。传统数值模型在某些极端天气上仍占优势，迫使像 National Weather Service 这样的机构混合使用多种方法。这一转变对需要可靠洪水、热浪和风暴信号的规划者来说意义重大。

基础模型将大气视为学习到的模式，而非逐步求解的一组物理方程。这种差异带来了更快的运行速度，有时在更长时效上也能提供更清晰的细节。中纬度温度和风的准确性提升最为明显，而强降水的预测仍较难把握。

[模型架构]

• GraphCast：基于数十年 ERA5 再分析数据训练的图神经网络

• Pangu-Weather：基于 Transformer 的系统，通过分离垂直大气层来提高效率

• 传统模型：在设定的时间步长内求解全球网格上的偏微分方程

NWS 于 2026 年初开始对其现有的 Global Forecast System 与 AI 输出进行有限的业务化测试。预报员会审核这两个数据流，并针对某些变量发布融合产品。目前尚未计划完全取代传统模型。

AI 运行在强降水方面仍显示出较大误差，尤其是当事件依赖于再分析数据未能完全捕捉的小尺度对流时。因此，业务中心仍保留基于物理的集合预报来应对这些情况。

适应计划现在将改进后的 7 到 10 天预报能力视为规划输入，而不再仅仅是技术好奇。当 AI 信号与数值指导一致时，公用事业和应急部门可以更早地部署资源。两个系统之间的分歧仍会触发额外的审核。

未来的工作重点是使用更高分辨率的卫星和雷达观测数据进行训练，以弥补降水预测方面的差距。几家中心正在积极开发利用物理约束校正 AI 输出的混合系统。

下一个明确的里程碑将是 2026 年飓风季的结果，以及任何已发布的夏季对流事件验证评分。规划者们正关注这些时期，以寻找证据证明在具有高影响力的极端事件中，准确性优势依然存在。