原标题：AI气象预报能否读懂“天机”

观点速递 需增强数据的泛化能力，将更多的数学与物理机制融入AI模型中。这离不开长期、高质量的观测数据积累以及对天气过程理论认识的深化。 ——余晖

未来，气象领域将进入“AI+数值”融合的时代。AI擅长大数据特征挖掘，在短期、高分辨率预测及极端天气事件预警中都可发挥重要作用。 ——段晚锁

未来，我们还可以基于大语言模型训练气象预报服务智能体，实现气象科普、预报生成至服务决策智能自动化，以更好地服务公众和专业用户。 ——周康辉

【专家沙龙】

◎主持人：本报记者 金 凤

嘉 宾：余 晖 中国气象局上海台风研究所所长、研究员

段晚锁 中国科学院大气物理研究所研究员

周康辉 国家气象中心、雄安气象人工智能创新研究院高级工程师

风暴“克劳迪娅”袭击英国、飓风“梅利莎”重创加勒比地区、台风“海鸥”“凤凰”接连袭击菲律宾……近日，世界各地极端天气事件屡屡发生，给人类社会造成持续影响。

视线拉回今年夏天，西班牙、法国、意大利等国遭遇历史罕见高温，其中西班牙马德里气温一度达46℃，创下该国历史新高。极端热浪与大范围野火相互交织，导致全球公共卫生体系、基础设施及生态系统承受明显压力。

在我国，7月中旬，152个国家级气象站观测到40℃及以上气温。与高温天相伴而来的，还有极端暴雨、洪涝灾害和台风。在华北地区，雨季持续时间和累计雨量创历史纪录，成为自1961年以来“最强”雨季；广东则在长达6个多月的汛期里，共遭遇22轮强降雨、14个台风，台风登陆或影响个数创纪录。

在自然面前，“风云莫测”仿佛是人类难以破解的生存魔咒。人类是否有能力，又该采取何种措施，避免极端天气的发生？AI模型能为天气预报带来哪些机遇？近日，科技日报记者特别邀请三位专家，探寻高精度破解“天机”之道。

极端天气挑战天气预报精准度时效性

主持人：在您看来，我国乃至世界多国频发的极端天气事件，与全球气候变化进程有怎样的关联？

余晖：全球变暖正深刻改变地球气候系统。近年来全球极端天气发生频率已显著高于以往，今年的频发现象正是这一趋势的延续。根据世界气象组织报告，2024年全球平均气温较工业化前水平升高约1.55℃，创175年气象纪录新高，显著高于2023年的1.45℃。

段晚锁：极端天气事件频发与全球气候变化紧密相关。工业革命以来，温室气体累积导致全球变暖，继而出现北极海冰融化、海平面上升等现象。全球变暖正显著增强极端天气事件发生的频率、强度，延长极端天气发生的持续时间，甚至有可能“重塑”天气。

已有研究证实，某些极端天气事件增加的趋势受气候变暖影响。但2025年发生的极端天气事件，还需要开展归因研究。在全球气候变暖背景下，高、低温，短时强降水，雷暴大风，冰雹等极端天气事件为何频发，以及未来其频率将如何变化，是各国关注的焦点和科学界研究的热点。

主持人：未来，极端天气的发生会是常态吗？影响极端天气发生的因素有哪些？人类是否有能力，又该采取何种措施，避免极端天气的发生？

段晚锁：未来全球极端天气可能会更频发、更强烈，而且确实有可能成为“新常态”。世界气象组织预测，2025年至2029年全球气温将持续接近或刷新纪录。政府间气候变化专门委员会报告也指出，暖季将变得更长、冷季将更短，同时极端高温等极端天气将出现得更加频繁。

完全避免极端天气的发生不现实，也不可能，但人类有能力避免最坏情况的发生，并降低极端天气的影响。遏制极端天气事件加剧，关键在于控制温室气体排放。依据《巴黎协定》目标，各国需强化减排承诺与行动，加速向绿色可再生能源转型。

周康辉：在全球气候变暖的背景下，国内外的极端天气事件越来越多了。但不同地区在不同年份又会有不同的极端天气，所以就某个地区来说，极端天气的发生也有不确定性。在此背景下，加强天气预报能力显得越来越重要。

余晖：各类极端天气事件如台风、热浪、雷暴的驱动机制各不相同，它们是自然气候变率与人类活动共同作用的结果。我们应加快提升“预见”和“防御”能力。这需要加强气象实况监测网络、发展更精准的多尺度气象预测模型，提升规律分析和预警能力。同时，还应加强公众科普与韧性社会建设、普及防灾减灾知识，减轻极端天气事件带来的生命财产损失和对经济社会的冲击。

主持人：当前国内外对于极端天气预报的时效性和精准度有多高？面对极端天气时，人类的预报能力是否有“天花板”，依靠现在的技术能力，我们能在多大程度上减少损失？

余晖：天气预报的能力可以从多个维度进行描述。以台风预报为例，目前我国台风路径预报的24小时平均误差约65至70公里，水平较十年前提升了25%。

但任何大气现象的预报不可能做到绝对精准。当前，我们在极端天气监测与认识方面仍存明显短板。仍以台风为例，我国虽已构建起包括卫星、雷达在内的综合遥感观测网络，但海上台风直接观测能力仍显不足。目前对台风内部精细结构的认知，主要依赖卫星、雷达等遥感手段，缺乏飞机探测等直接观测方式的支持。这一局限严重制约了对台风内核结构与演变机理的精准把握。

预报能力的每一步提升，都能带来巨大的防灾减灾效益。有科研人员做过评估，登陆台风路径预报误差每减少1公里，可减少因灾直接经济损失近1亿元。

段晚锁：随着科技的发展，人类已经在一定程度上告别了“风云莫测”，但在预报精准度和时效上仍面临挑战。夏季的天气过程比冬季更为复杂，不同类型的极端天气，由于形成机制和规模不同，预报的精准度和提前量也有显著差异。例如目前对台风的路径预报已经较为成熟，有时候能提前5天捕捉到台风的生成信号，提前4天锁定其移动趋势，但对台风的强度预报能力仍需大幅加强。

周康辉：人类对极端天气物理规律的认识，以及观测能力、数值天气预报能力、计算能力等都还存在一定局限性。目前不同天气的可预报性不同，例如大范围的降水、降温，我国提前3天以上就能预报出来，但对于龙卷风这种小尺度、突发性的天气预报，还面临挑战。现在能提前二三十分钟发出龙卷风的预警，就已经不错了。

气象领域将进入“AI+数值”融合时代

主持人：AI能为传统的天气预报带来什么影响，相较于传统数值模式，AI预报的优势体现在哪里？

余晖：AI气象模型的出现，给全球天气预报行业带来了巨大变革。相较物理模型，它们在某些方面表现出显著优势，例如台风路径的长时效预报能力。AI气象模型可为灾害性天气的防御提供宝贵的时间提前量。

段晚锁：AI模型的预测性能在某些方面已达到甚至超越国际顶尖数值天气预报的水平。

在速度上，GenCast模型仅用8分钟就能完成15天全球天气预报，速度远超传统数值模式。

在短临预报中，AI同样表现突出。例如，“风雷”系统可以实现1公里分辨率、3小时短临预报，准确率超89%；而部分AI模型如伏羲、盘古，在台风路径预报的准确率已媲美甚至超过欧洲中期天气预报中心（ECMWF）。ECMWF明确提出，到2031年将机器学习完全融入数值天气预报和气候服务全流程，覆盖从数据同化到预报使用的各个环节。

周康辉：相对于传统的数值模式，应用AI技术可使天气预报速度明显提升，能从数小时提速到数秒，预报的全局精度相对于数值天气预报模式，也有明显的提升。

主持人：您如何看待AI与传统天气预报工具的关系？

余晖：AI气象模型不能替代传统的物理模型，二者是互补与融合的关系。以台风预报为例，我国科研人员已提出将机器学习模型与物理模式相融合的新一代台风预报框架。对于台风路径预报来说，AI气象模型有优势；而传统的高分辨率数值天气预报模式更擅长预报台风强度和台风结构。二者结合，将展现出巨大潜力。

段晚锁：未来，气象领域将进入“AI+数值”融合的时代。AI擅长大数据特征挖掘，在短期、高分辨率预测及极端天气事件预警中都可发挥重要作用。

但无论是数值天气预报模式还是AI预测模型，都存在共同的短板。二者均对暴雨、台风等极端天气的强度预报偏弱，对中小尺度天气系统的刻画能力不足，精准预警的提前时间量不够。科研人员正通过加密建设天气雷达、完善地基垂直观测站网、构建高质量高分辨率数据集、深度融合物理动力和人工智能、创新模型架构或算法，补齐多尺度极端灾害性天气预报短板。

周康辉：AI不会完全取代传统预报工具，后者所蕴含的科学思路与物理范式仍将持续发挥作用，未来将呈现二者相互融合的发展趋势。人类将在预报解释、决策支持、产品订正等环节继续发挥不可替代的“把关人”作用。

AI气象预报尚有不足但前景广阔

主持人：您认为用AI进行气象预报还存在哪些挑战？

段晚锁：首先，AI模型的可解释性不足，存在“黑箱”现象。AI预报结果缺乏物理机制的解释，预报偏差难以溯源修正。例如，在台风路径预测中，AI虽能快速输出结果，但若出现偏差，无法像数值模型那样，有针对性地通过调整参数优化预测结果。

其次，AI模型的数据数量和质量需要提升。AI依赖海量历史数据训练，但气象观测数据不足且时空分布不均匀，可能影响模型泛化能力。

第三，AI模型的精度与时效性有待提高。中长期预报，如10天以上的天气预报，仍依赖物理模型与AI的混合架构，纯数据驱动模型稳定性仍不足。

周康辉：AI预报目前的瓶颈主要有三点。首先，由于极端天气事件的样本稀缺，极端天气事件预报能力仍有待提升；其次，AI模型中很难融入大气物理规律，预报还存在物理不一致性问题；最后，天气预报的物理可解释性亟待增强。

主持人：多位专家都提到，AI模型对历史数据依赖度高。这是否意味着它可能无法很好地预测前所未有的、在训练数据中从未出现过的“黑天鹅”天气事件？我们又该如何应对？

余晖：在面对“黑天鹅”式极端天气事件时，AI预测能力确实存在明显局限。需增强数据的泛化能力，将更多的数学与物理机制融入AI模型中。这离不开长期、高质量的观测数据积累以及对天气过程理论认识的深化。

段晚锁：是的，历史数据中从未出现过的事件，AI无法学习。解决这些问题的途径，是发展物理约束与数据驱动相融合的AI模型，如在损失函数中引入物理模型。

主持人：除了天气预报，AI在气象观测、气候预测乃至人工影响天气等领域，有哪些令人期待的应用前景？

段晚锁：我们团队最近将AI-伏羲模型与条件非线性最优扰动（CNOP）相融合，开展了台风目标观测的研究，展示了AI-CNOP提高台风预报水平的潜力，给出了高时效、高精度的预报效果。我们希望AI-CNOP融合能够成为天气预报和气候预测的目标观测新范式。

周康辉：AI在气候预测领域已经取得了较好的应用效果，比如“风顺”模型，能够实现次季节-季节预报，部分效果比传统模型更好。在观测领域，AI模型可以用来进行观测数据质量控制、数据反演，甚至可以智能设计观测站网布局，提升观测网络的整体效果。在人工影响天气方面，AI可用于人工影响天气效果评估、人工影响天气作业决策辅助等。

未来，我们还可以基于大语言模型训练气象预报服务智能体，实现气象科普、预报生成至服务决策智能自动化，以更好地服务公众和专业用户。（金 凤 嘉）

原标题：AI气象预报能否读懂“天机” 来源：科技日报