我们正在@Github上开源代码和模型权重，供任何人自由使用和构建。这可以用于学术研究、业务预报，或开发更专业、更本地化的模型。探索研究 → https://t.co/hyllj4fVKW

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/?utm_source=x&utm_medium=social&utm_campaign=&utm_content= WeatherNext能够提供准确的气旋预报，可多争取一天的预警时间。现在我们正在开源该模型。

预测危险气旋如何发展是一个长期挑战，每一小时都至关重要。热带气旋——也被称为飓风或台风——是地球上最具破坏性的天气现象之一，在过去50年里，全球已造成超过70万人死亡和1.4万亿美元的经济损失。对预报员来说，及时发布准确警告是一场与时间的持续赛跑。

今天，在发表于Nature（https://www.nature.com/articles/s41586-026-10953-2）的一篇论文中，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当前最先进的精度。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：我们三天的预报效果相当于之前模型仅能提供的两天预报水平。这种改进幅度大致相当于十年的气象学进步。

这项合作汇聚了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（National Hurricane Center，NHC）、大气研究合作研究所（Cooperative Institute for Research in the Atmosphere，CIRA）、英国气象局（UK Met Office）以及全球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年飓风季期间，我们的模型帮助NHC对飓风梅丽莎（Hurricane Melissa）做出了历史性预报（链接），准确预测了风暴的快速增强及其在牙买加登陆。这使NHC能够提前发布警告，为现场团队争取到宝贵的准备时间。今年，我们继续合作，目前正针对每个气旋预测1000种可能的情景，以支持预报员的决策。

天气影响着每个人。鉴于这种广泛影响，我们现在开源在飓风季中使用的WeatherNext 2和WeatherNext Cyclones模型。通过公开提供这项技术，我们希望赋能研究社区，并扩大AI在建设更具韧性的社区方面的影响——无论是为当地预报员提供所需工具以应对自然灾害、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

从飓风米尔顿（Hurricane Milton，2024年10月）期间的全球大气状态出发，WeatherNext Cyclones能够迭代预测全球天气模式以及精细尺度的气旋路径，最长可提前15天。运行包含1000个成员的集合预报，可以生成从热带风暴到飓风风力的本地化概率图。

预测气旋通常需要在两种不同的建模技术之间进行取舍。气旋的路径（它将去向何方）由大规模全球大气环流引导，此前这类环流最适合用较粗略的全球模型来模拟。然而，气旋的强度（它会变得多强）则由其核心周围高度局部化、精细尺度的热力物理过程驱动，这些过程最适合用专业的高分辨率局部模型来模拟。

我们的WeatherNext模型通过同时改进全球整体天气和气旋的预报，弥合了这一差距。它是一个单一的AI模型，能够以最先进的精度预测热带气旋的路径、强度和风场结构。它通过训练、架构以及处理低分辨率输入的方法的独特组合，实现了这一突破。

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。在这三项指标中，WeatherNext Cyclones模型（用最下方的蓝色线条表示）始终保持最低的误差率，水平箭头突出显示了其相比其他模型约一天的预测精度优势。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。在这三项指标中，WeatherNext Cyclones模型（用最下方的蓝色线条表示）始终保持最低的误差率，水平箭头突出显示了其相比其他模型约一天的预测精度优势。

我们在2023至2024年的历史气旋上评估了WeatherNext Cyclones，将其确定性和概率性性能与其他顶尖天气模型进行了基准对比。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。

该模型在两种不同的数据模式上进行了联合训练：全球天气动力学数据以及专家精选的历史气旋观测数据。通过在近20TB的全球大气数据和覆盖近5000场历史风暴的IBTrACS历史数据库上进行端到端训练，模型学习了复杂的大气模式以及如何模拟极端天气。

两张图比较了年度3天气旋预报误差。图A显示WeatherNext Cyclones（蓝色）在2023至2025年间的路径误差（约100公里）显著低于ENS（黄色）。图B显示WeatherNext Cyclones在同一时期的强度误差（约11节）低于HWRF（红色）。两张图比较了年度3天气旋预报误差。图A显示WeatherNext Cyclones（蓝色）在2023至2025年间的路径误差（约100公里）显著低于ENS（黄色）。图B显示WeatherNext Cyclones在同一时期的强度误差（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升。图中显示了ECMWF-ENS路径预报（a）和HWRF强度预报（b）多年来的3天精度变化，以及WeatherNext Cyclones如何在路径和强度两方面带来精度上的阶跃式提升。根据过去20年的趋势，这一改进相当于十年的进展。

我们的模型使用函数生成网络（Functional Generative Networks，FGNs）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。现在我们可以在TPU上不到一分钟内生成单个15天预报，使预报员能够快速评估潜在毁灭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，我们将集合规模扩大到1000个成员，以捕捉罕见但重要的情景，例如2025年飓风梅丽莎期间发生的快速增强事件。

到目前为止，超高空间分辨率一直被认为是做出准确强度预报的主要驱动力。然而，WeatherNext Cyclones只需28x28公里分辨率的数据，比传统模型粗略100倍。该模型的一个较小版本WeatherNext 2-mini，以更粗略的111x111公里分辨率运行，也表现出色。这让科学家们感到惊讶，并留下了一个开放的研究问题：充分理解我们的模型如何在这种分辨率下产生如此准确的预测。我们希望与研究社区一起找到答案。

向研究社区开放WeatherNext

在发表Nature论文的同时，我们正在开源代码和模型权重，使任何人都可以自由使用和构建。这包括学术研究、业务预报，或者开发更专业、更本地化的模型。我们希望加速全球天气社区的进步，并赋能气象机构、研究人员和非营利组织，以更好地预测各种天气事件，并做出保护生命和基础设施的关键决策。

我们还发布了两个类似的模型系列：WeatherNext Cyclones（在飓风季期间运行，结果可见于论文）和WeatherNext 2（我们在10月份投入运行的一个更新版本）。此外，我们还发布了WeatherNext 2-mini，这是该模型的紧凑版本，可以在免费的公共Colab笔记本中的单个TPU上运行。

您可以在Weather Lab上探索我们最新的气旋预报。我们最近更新了Weather Lab的界面，并扩展了功能，使其在气旋路径之外还包含全球天气预报。Weather Lab现在让您能够在单一视图中可视化WeatherNext对温度、降水、风速等的预测。Weather Lab和WeatherNext模型都是Google Earth AI的一部分。

推动AI在天气预报领域的前沿发展

我们在气旋预测方面获得了超过一整天的提前时间，实现了历史性突破——这一进展相当于十年的气象学进步。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实际专业知识相结合，我们旨在创建一个协作的天气预报生态系统，以拯救生命并帮助社区适应不断变化的气候。

注意：如需获取官方天气预报和警报，请参考您当地的气象机构或国家气象服务部门。

致谢

这项研究由Google DeepMind和Google Research团队共同开发。

我们感谢我们的合作方NOAA/NWS/NCEP国家飓风中心、大气研究合作研究所（CIRA）和英国气象局对本研究的合作与论文贡献。

这项工作反映了论文共同作者的贡献：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天气风险

GraphCast：用于更快、更准确的全球天气预报的AI模型