WeatherNext：AI模型在预测气旋方面取得突破

# WeatherNext：AI模型在气旋预报方面取得突破 来源：https://deepmind.google/blog/weathernext-ai-model-achieves-breakthrough-in-forecasting-cyclones/ WeatherNext能够提供准确的气旋预报，可多给出一天的预警时间。现在我们已将该模型开源。 预测危险气旋的发展是一个长期挑战，每一小时都至关重要。热带气旋——也称为飓风或台风——是地球上最具破坏性的天气现象之一，过去50年间在全球造成超过70万人死亡和1.4万亿美元的经济损失。对于预报员而言，及时发布准确的预警是一场与时间的持续赛跑。 今天，在发表于《自然》（Nature）的一篇论文中（https://www.nature.com/articles/s41586-026-10953-2），我们展示了WeatherNext AI模型在预测气旋路径、强度和风场结构方面达到了最先进的精度。平均而言，我们的模型为预报员提供了额外一天的预测精度：我们的三天预报与之前模型仅能提供的两天预报质量相当。这一提升幅度大约相当于气象学领域十年的进步。 这项合作研究汇集了Google DeepMind和Google Research的AI研究人员与工程师，以及美国国家飓风中心（NHC，https://www.nhc.noaa.gov/）、大气研究合作研究所（CIRA，https://www.cira.colostate.edu/）、英国气象局（https://www.metoffice.gov.uk/）以及世界各地气象机构的专家预报员。 我们的研究已经产生了实际影响。在2025年飓风季，我们的模型帮助NHC做出了针对飓风梅丽莎（Hurricane Melissa）的历史性预报（https://deepmind.google/blog/how-weathernext-helped-the-national-hurricane-center-better-predict-hurricane-melissas-historic-landfall-in-jamaica/），预测了风暴的快速增强及其在牙买加登陆。这使得NHC能够提前发出预警，为当地团队争取了关键的准备时间。今年，我们将继续合作，目前正在为每个气旋预测1000种可能情景，以支持预报员的决策。 天气影响着每一个人。鉴于这一广泛影响，我们现在将飓风季期间使用的WeatherNext 2和WeatherNext Cyclones模型开源（https://github.com/google-deepmind/weathernext）。通过公开提供这项技术，我们希望赋能研究社区，并扩大AI在建设更具韧性社区方面的影响——无论是为当地预报员提供备灾所需工具（https://blog.google/innovation-and-ai/technology/research/helping-communities-prepare-for-natural-disasters/），支持可再生能源的发展，还是预测极端天气。 ## WeatherNext如何预测天气和气旋 从2024年10月飓风米尔顿（Hurricane Milton）期间的全球大气状态出发，WeatherNext Cyclones迭代预测全球天气模式和精细尺度的气旋路径，最长可达15天。运行1000个成员的集合预报，可生成从热带风暴到飓风级风的局部概率图。 预测气旋通常需要在两种不同的建模技术之间进行取舍。气旋路径（去向何处）由大尺度全球大气环流引导，此前这类环流最好由较粗分辨率的全球模型建模。然而，气旋强度（增强到何种程度）由其核心周围高度局地化的细尺度热力学物理过程驱动，最好由专门的高分辨率局部模型建模。 我们的WeatherNext模型通过同时改进全球天气和气旋的预报来弥合这一差距。它是一个单一的AI模型，以最先进的精度预测热带气旋的路径、强度和风场结构。这一突破源于其训练方法、架构和低分辨率输入处理方式的独特组合。 三张折线图比较了五天内的路径、强度和风场范围预报误差。在所有三项指标中，WeatherNext Cyclones模型（由最低的蓝线表示）始终保持最低误差率，水平箭头突出显示其预测精度比其他模型领先约一天。 我们对WeatherNext Cyclones在2023年至2024年的历史气旋上进行了评估，并将其确定性和概率性表现与其他顶级天气模型进行了基准比较。平均而言，WeatherNext Cyclones在预测气旋路径、强度和风场结构方面获得了超过一整天（24小时）的提前时间优势。 该模型基于两种不同的数据模态共同训练：全球天气动力学和专家整理的历史气旋观测数据。通过在近20 TB的全球大气数据和涵盖近5000个历史风暴的IBTrACS历史数据库上进行端到端训练，模型学习到复杂的大气模式以及如何对极端天气进行建模。 两张图表比较了年度三天气旋预报误差。图A显示WeatherNext Cyclones（蓝色）在2023至2025年期间的位置误差（约100公里）显著低于ENS（黄色）。图B显示同一时期WeatherNext Cyclones的强度误差（约11节）低于HWRF（红色）。 近几十年来，气旋预报精度一直在稳步提高。图中显示了ECMWF-ENS路径预报（a）和HWRF强度预报（b）多年来的三天精度，以及WeatherNext Cyclones如何在路径和强度两方面都带来了阶跃式的精度提升。根据过去20年的趋势，这一改进相当于十年以上的进展。 我们的模型使用函数生成网络（FGNs，https://arxiv.org/pdf/2506.10772）来高效生成不同的预测集合，从而捕捉天气固有的不确定性。我们现在可以在TPU上不到一分钟内生成一个15天预报，使预报员能够快速评估潜在破坏性尾部风险的概率分布。去年，我们的系统一次生成50个预测，与全球物理模型相当。今年，我们将集合规模扩展到1000个成员，捕捉罕见但重要的情景，如2025年飓风梅丽莎期间的快速增强事件。 迄今为止，高空间分辨率一直被认为是实现准确强度预报的主要驱动力。然而，WeatherNext Cyclones仅需要28x28公里分辨率的数据，比传统模型粗100倍。该模型的一个较小版本WeatherNext 2-mini，以更粗的111x111公里分辨率运行，同样表现出色。这令科学家们感到惊讶，而如何全面理解我们的模型在这种分辨率下产生如此准确预测的原因，仍是一个开放的研究问题。我们希望与研究社区一起找到答案。 ## 向研究社区开放WeatherNext 与我们的《自然》论文一同发布的，我们还将代码和模型权重开源（https://github.com/google-deepmind/weathernext），供任何人自由使用和构建。这包括学术研究、业务预报或开发更专业、更局部化的模型。我们希望加速全球天气社区的进步，帮助气象机构、研究人员和非营利组织更好地预测各类天气事件，并做出保护生命和基础设施的关键决策。 我们还将发布两组类似的模型：WeatherNext Cyclones（飓风季期间运行，结果可见于论文）以及WeatherNext 2（我们在10月投入运营的后续更新）。此外，我们还将发布WeatherNext 2-mini，这是一个紧凑版模型，可在免费的公共Colab笔记本（https://colab.research.google.com/github/google-deepmind/weathernext/blob/master/docs/weathernext2/wn2_demo.ipynb）中的单个TPU上运行。 您可以在Weather Lab（https://deepmind.google.com/science/weatherlab/）上探索我们最新的气旋预报，我们最近对其进行了新界面更新，并将其扩展到在气旋路径之外还包括全球天气预报。Weather Lab现在可让您在一个视图中可视化WeatherNext对温度、降水、风速等的预测。Weather Lab和WeatherNext模型都是Google Earth AI（https://ai.google/earth-ai/）的一部分。 ## 推动AI天气预报的前沿 我们通过为气旋预测赢得超过一整天的提前时间，实现了历史性突破——相当于气象学十年的进步。在我们为未来风暴季做准备之际，我们邀请研究人员、气象机构和专家与我们合作，基于我们的开源模型进行构建，并在Weather Lab上探索我们的预报。通过将先进的机器学习与人类预报员不可或缺的真实世界专业知识相结合，我们旨在创建一个协作式天气预报生态系统，以拯救生命并帮助社区适应不断变化的气候。 **注意：如需官方天气预报和预警，请参阅当地气象机构或国家气象服务。** ## 致谢 这项研究由Google DeepMind和Google Research团队联合开发。 我们感谢我们的合作伙伴NOAA/NWS/NCEP国家飓风中心、大气研究合作研究所（CIRA）和英国气象局对本论文的合作与贡献。 这项工作反映了论文合著者的贡献：Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams, Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez, and Peter Battaglia. ### WeatherNext 2 ### WeatherNext如何帮助美国国家飓风中心更好地预测飓风梅丽莎在牙买加的历史性登陆 ### GenCast以最先进的精度预测天气和极端条件风险 ### GraphCast：更快、更准确的全球天气预报AI模型