世界气象组织最新报告：AI 正革新天气预报，更快、更便宜、更易得

“我们离实现全球气候目标还很遥远。”

“2023 年是有记录以来最热的一年......2024 年的前八个月也是有记录以来最热的。”

世界气象组织（WMO）秘书长 Celeste Saulo 说。

未来 5 年中至少有一年超过 2023 年成为有记录以来最热年份的可能性高达 86%。这一结论来自 WMO 新近发布的《团结在科学之中 2024》（United in Science 2024）报告。

同时，报告指出，在未来 5 年中，至少有一年全球近地表平均温度暂时超过工业化前水平 1.5℃ 的可能性也高达 80%。

另外，根据 WMO 此前发布的《2023 年全球气候状况》报告，热浪、洪水、干旱、野火和迅速增强的热带气旋造成的痛苦和混乱，使数百万人的日常生活陷入困境，并造成了数十亿美元的经济损失。

为应对气候危机，创建快速、经济、精准的气象预警系统尤为关键。而人工智能（AI）正以其复杂算法与强大计算能力为气象预警领域带来颠覆性变革。

正如 Saulo 所指出的，“人工智能已经‘更快、更便宜、更容易获得’地彻底改变了天气预报科学”。

AI 正在革新天气预报

在这份报告中，来自欧洲中期天气预报中心（ECMWF）的研究团队及其合作者，对 AI 在极端天气预警方向的最新应用进行了综合阐述，以及存在的不足和未来展望。

具体而言，在天气预测领域，AI 模型突破了基于物理模型的数值天气预报（NWP）模式，在预测某些天气变量及极端或危险事件（如热带气旋）方面已经超越了物理模型，如 Keisler、Pathak 等学者的研究展示了 AI 模型在气旋预测方面的显著优势。

图｜人工智能/综合预报系统（AIFS）的最新进展提高了气旋探测能力。（来源：该报告）

通过使用傅里叶预报神经网络这一新兴的全球数据驱动的天气预报 AI 模型，彻底实现了对如地表风速、降水和大气水蒸气等高分辨率、快速时间尺度变量的准确预测，能在不到 2 秒的时间内就能生成一周的预报，比 IFS 快了几个数量级。

也有研究表明，AI 预测模型已突破传统物理模型，通过提升数据质量、融合不同数据源以及下尺度处理预测输出，显著降低创建支持天气预报所需数据的计算成本以及运行高质量预测模型的门槛。

这些能力此前受到计算负担的限制仅可在大型全球预报中心应用，但现如今，没有足够资源的机构也可获得，运行高水平预测模型的进入门槛显著降低了，较低的成本也使得规模较小的公共和私人实体能借助 AI 进入天气预报领域，极大改变天气预测产业传统格局。

还有研究指出，大语言模型（如 ChatGPT）的融入可有效促进解读和传达复杂的气象信息，支持早期全民预警（The Early Warnings for All）、可持续发展目标（SDGs）、巴黎协定和其他减灾框架的决策，增强灾害防范、响应和适应能力。

从理论上讲，基于大型语言模型 （LLM） 构建的 ChatGPT 等服务擅长将气候信息的范围扩大到地球上任何地方任何感兴趣的个人，面向所有人提供本地气候服务。虽然截至目前由于缺乏有关未来天气和气候变化及其影响的详细本地信息，该设想无法落地，但如果能够克服这一障碍，它将会帮助人们更好应对全球气候挑战。

近年来，随着AI 技术的飞速发展，谷歌、英伟达、华为等多个科技巨头和研究机构在天气预报领域取得了重大突破，开发出一系列令人瞩目的 AI 天气预报产品。

这些产品不仅提升了天气预测的精度和速度，还在极端天气预报等关键领域展现了前所未有的潜力。

其中，华为云开发的盘古气象（Pangu-Weather）模型成为全球瞩目的创新成果之一。该模型于 2023 年 7 月发表在 Nature 杂志上，使用 39 年的全球再分析天气数据进行训练，其预测精度与全球顶尖的数值天气预报系统 IFS（欧洲中期天气预报中心的数值预报系统）相当，但在相同空间分辨率下预测速度比 IFS 快 10,000 倍以上。这一突破表明，AI 预报模型在效率和成本上的巨大优势。

图｜2022 年不同 AI 建模系统（华为的 Pangu-Weather、NVIDIA 的 FourCastNet、AIFS 和 Google DeepMind 的 GraphCast）在南半球进行 10 天预报期间的两米温度误差演变。（来源：欧洲中期天气预报中心，2024）

另一篇发表在 Nature 上的研究则介绍了由加州大学伯克利分校教授 Michael Jordan 和清华大学教授王建民领导的团队开发的 NowcastNet 模型。NowcastNet 结合了物理规律与深度学习技术，能够进行实时降水预报，显著提高了短时临近预报（Nowcasting）的精度。这种结合物理与 AI 的方法，展示了 AI 在捕捉天气变化快速且细微的动态过程中的巨大潜力。

图｜ NowcastNet设计架构。（来源：Nature）

同年 11 月，Google DeepMind 推出了另一款具有突破性的 AI 天气预报模型——GraphCast。该模型可以在全球 0.25° 分辨率下，一分钟内预测未来 10 天的数百个天气变量。与传统气象预报方法相比，GraphCast 不仅显著提高了预测效率，还在极端天气事件的预报中表现出色。

此外，Google Research 团队在 2024 年初开发的 AI 模型在全球洪水预警领域也取得了重大进展。该模型击败了现有的全球最先进洪水预警系统，利用 5680 个测量仪器的数据进行训练，能够在 7 天预测期内对未测量流域的日径流进行精准预测，为应对气候变化导致的洪水风险提供了更强大的工具。

图｜基于 LSTM 的河流预报模型架构。两个 LSTM 依次应用，一个接收历史天气数据，另一个接收预测天气数据。模型输出为每个预报时间步的流量概率分布参数。

在 AI 气象预报领域的另一重要参与者是 IBM，其开发的 GRAF（Global High-Resolution Atmospheric Forecasting System）系统使用 AI 和机器学习对全球天气进行每小时更新。GRAF 是全球首个高分辨率天气预报系统，能够提供细到 3 公里分辨率的预报，在极端天气事件的预测中提供了更高的精准度。

微软的 AI for Earth 项目也正在利用机器学习和大数据来改进气候预测和天气预报。尽管其并未直接开发专门的 AI 天气预报模型，但该项目支持的相关研究在提升天气预测精度方面发挥了重要作用，帮助全球更好地应对气候变化带来的挑战。

总体来看，这些前沿 AI 天气预报模型通过大规模历史数据的训练和先进深度学习算法的应用，极大提升了气象预测的速度、精度和覆盖范围。AI 技术正以更精确、更高速的方式变革传统气象预测，在应对极端天气事件和气候变化的全球挑战中发挥愈加重要的关键作用。

问题与展望

然而，数据质量和可用性仍是主要问题。尤其是，AI 模型训练阶段对于高质量、一致的数据具有极大需求。
报告指出，由于国家间经济、政治和地理差异，数据的可得性并不均衡。此外，空间和时间数据的差距、缺少对小尺度天气现象的数据以及高分辨率全球再分析数据的缺乏，均对 AI 模型的训练效果产生负面影响。同时，能够影响天气预测精度的复杂变量，如海洋、陆地、冰冻圈和碳循环，在当前 AI 模型中的缺失同样也是亟需面对的一大挑战。

另一方面，透明度和公平性问题也可能限制 AI 在天气预报领域的应用。尽管正在努力改善模型的可解释性并整合物理约束，但提高透明度以确保公众信任仍是需要解决的一大问题。此外，由于数据、计算能力和用户技能的限制，AI 技术普及难度较大，这将进一步加剧了全球数字鸿沟与不平等问题。

展望未来，下一阶段 AI 天气预报模型的重点将包括数据同化和基础模型的开发，经过大规模、多样化数据训练 AI 模型能够适应更多具体应用。此外，扩展现有的 AI 模型以涵盖完整的地球系统从而增强气候预测能力、利用商业卫星和众包数据（如物联网）的潜力并结合低成本的数据存储平台和标准化工具促进全球范围内 AI 天气预报技术的普及等也将是未来可供探索的重要方向。

值得注意的是，AI 将越来越多地用于支持决策和帮助全球社区应对气候变化及极端天气的风险，而为确保 AI 技术对全人类有利且广泛可及，强有力的全球治理和框架至关重要。

为此，需增强 AI 模型的透明度和追溯性，促进建立信任并制定负责任使用的标准。还需要关注道德AI发展中系统性偏见和公平访问问题的解决，尤其在一些脆弱社区。

此外，开展培训与能力建设对于缩小数字鸿沟、保障 AI 工具的公正有效应用至关重要。

作者：阮文韵