AI 天气预报如何为台风预警多争取一天？

台风预报里一天不是一个抽象指标。它可能对应一次港口停航、一轮电网巡检、一批医院备用物资转移也可能决定沿海居民收到的是“立即行动”还是“来不及准备”。2026 年 8 月WeatherNext 团队公布了面向热带气旋的新模型。论文给出的核心结果是在路径、强度和风场结构三项任务上模型平均获得约 24 小时的预报优势。通俗地说它做出的三天预报准确度大致相当于此前系统的两天预报。这项工作值得关注的地方不止是指标提高。它把长期分开的三类问题放进了同一套概率预报系统台风往哪里走、会增强到什么程度、危险风圈会覆盖哪里。一天的优势是怎么计算出来的“多预报一天”容易被理解成模型能看见更远的未来。论文表达的是等误差预报时效在达到相近误差水平时新模型可以把预测时间向前延长约一天。例如旧系统在提前 48 小时时达到某个路径误差新模型在提前 72 小时时仍能维持接近的误差水平这 24 小时就是预报优势。它并不保证每场台风、每个时刻都精确增加一天也不代表三天后的落点已经确定。评估覆盖 2023—2024 年的历史热带气旋并与主流业务模型比较。结果显示路径、强度和风场结构三类指标平均都获得了超过 24 小时的领先。平均值描述的是总体表现单个台风仍可能偏离。为什么台风预报需要同时看三件事路径回答“往哪里走”强度回答“有多危险”风场结构回答“危险影响到多大范围”。三者缺一项决策信息就不完整。传统方法往往要在分辨率与覆盖范围之间取舍全球模型擅长描述大尺度环流却难以刻画台风眼墙附近的细节局地高分辨率模型能追踪强度变化但计算昂贵还依赖全球场提供边界条件。WeatherNext Cyclones 从全球大气状态出发迭代预测全球天气形势与台风细尺度轨迹最长给出 15 天结果。研究团队没有只输出一条“最可能路径”而是为每个气旋生成 1000 个可能情景再把它们汇总成不同风速等级的概率分布。这更接近预报业务需要的信息。沿海城市关心的不只是中心线会不会经过还要知道热带风暴级、台风级风力覆盖本地的概率以及小概率快速增强情景是否值得提前准备。1000 个情景解决了什么问题天气系统对初始条件敏感。观测中很小的偏差经过数天演化也可能形成完全不同的路径和强度。单一路径会把这种不确定性藏起来集合预报则把不同结果保留下来。模型使用 Functional Generative Networks 生成集合成员。每个成员代表一种可能的天气演化1000 个成员共同描述概率分布。相比上一代一次生成 50 个预报扩大到 1000 个成员后低概率但高损失的尾部情景更容易被采样到例如快速增强或路径突然转向。一份 15 天预报在 TPU 上生成时间少于一分钟。计算速度的意义在于业务系统可以更频繁地更新概率分布也能在同一时间窗口里运行更多情景。28 公里分辨率为什么反常台风强度预报通常依赖很高的空间分辨率因为眼墙、对流和海气交换都发生在更细尺度上。WeatherNext Cyclones 使用约 28×28 公里的输入数据论文称其比传统高分辨率方法粗约两个数量级更小的 WeatherNext 2-mini 甚至使用约 111×111 公里分辨率仍取得了有竞争力的表现。这个结果说明模型可能从大尺度环流、历史气旋演化和生成式集合结构中学到了足以约束强度的统计关系。不过团队也把“低分辨率为何有效”列为开放问题。指标领先不等于物理机制已经得到解释。训练数据包含接近 20 TB 的全球大气资料以及 IBTrACS 中近 5000 场热带气旋记录。前者提供大尺度天气背景后者补充气旋路径与强度历史。两类数据合在一起模型才有机会同时学习环境引导气流与气旋自身演变。从模型输出到预警中间还有哪些步骤可用的业务流程至少包含五层观测与初始化卫星、雷达、海洋浮标和数值分析场决定模型起点起点有偏差集合预报只能描述这份偏差之后的可能结果。集合生成模型产生大量路径、强度和风场情景保留天气演化的不确定性。校准与对比预报中心把 AI 结果与物理模式、实时观测及历史误差一起比较检查概率是否可靠。影响转换气象变量要继续换算成风暴潮、降雨、停电和交通中断等风险才能服务具体部门。人工发布预警级别、撤离范围和发布时间仍由气象机构与应急部门决定。因此这类模型更适合作为预报员的新增证据而不是独立发布警报。官方团队也强调公众仍应以当地气象机构的预报和警告为准。开源后工程团队能做什么WeatherNext Cyclones、WeatherNext 2 和 2-mini 已宣布开源。研究机构可以复现历史个例检查模型在不同海域、季节和强度等级上的误差业务团队则可以研究概率校准、区域偏差订正和下游影响模型。一套稳妥的验证方案可以按以下顺序进行选取本海域近年的台风个例按预报提前量分组分别计算路径误差、最大风速误差和风圈覆盖误差检查集合离散度是否与实际误差匹配避免概率过度自信单独统计快速增强、近岸转向等少见情景与当前业务基线做盲测不只挑表现好的个例展示。阅读这类论文时正文、补充材料和图表通常要来回对照。英文 PDF 篇幅较长可以用 PDFTranslator 做双语对照再把“模型指标”“业务案例”和“研究边界”分别标出来能少掉不少术语切换成本。这项进展的边界目前的结果仍有三条边界。第一历史回测和少量业务案例不能代表所有海盆与所有极端气旋。第二低分辨率模型为何能预测强度仍缺少充分解释。第三概率预报是否帮助决策还取决于本地风险模型、通信系统和应急响应能力。WeatherNext 提供的不是一条确定无误的未来路径而是一份更早、更完整的概率信息。对台风预警系统而言这 24 小时的价值要在模型、预报员和应急流程共同运行时才会兑现。参考资料WeatherNext team.WeatherNext: AI model achieves breakthrough in forecasting cyclones. 2026 年 8 月。WeatherNext Cyclones 相关 Nature 论文及公开技术说明。