机器学习 vs. 数值天气预报，AI 如何改变现有的天气预报模式

关注

原创最新推荐文章于 2026-10-11 09:21:09 发布 2.8k 阅读 AI 写同款· GEO 优化 ›

数值天气预报 The Quiet Revolution of Numerical Weather Prediction Peter Bauer, Alan Thorpe & Gilbert Brunet http://www.nature.com/nature/journal/v525/n7567/full/nature14956.html 摘要数值天气预报的发展如同一次寂静革命（... 阅读详情

数值天气预报是天气预报的主流方法。它通过数值积分，对地球系统的状态进行逐网格的求解，是一个演绎推理的过程。

然而，随着天气预报分辨率不断升高，预报时间逐渐延长，NWP 模式所需要的算力迅速增加，限制了其发展。另一方面，以人工智能为基础的数据驱动天气预报快速发展，在部分领域已经超越了传统方法。

现有的机器学习天气预报精度如何？人工智能又将如何改变天气预报？本文对比了几大数据驱动的机器学习天气预报模型后，对天气预报的未来发展作出了展望。

作者 | 雪菜

编辑 | 三羊

数值天气预报：450 亿偏微分方程组

数值天气预报 (NWP, Numerial Weather Prediction) 是天气预报领域的主流方法。早在 20 世纪初，Abbe 和 Bjerknes 就提出人们可以使用物理定律预测天气，以当前的天气状况为初值，进行积分便可以求解未来的天气。但彼时对气象学的研究还不够深入，计算水平也相对落后，这一设想未能实现。

1950 年，普森林顿大学首次尝试使用第一台电子计算机进行了天气后报。1954 年，在斯德哥尔摩首次实现了实时的天气预报。

在这里插入图片描述

在每个网格单元中求解基于物理定律的微分方程组

直到 20 世纪 70 年代，超级计算机问世，人们方能求解 Abbe 和 Bjerknes 提出的整套方程。1979 年，欧洲中期天气预报中心 (ECMWF) 编制了首份中期天气预报，开启了综合预报系统 (IFS, Integrated Forecasting System) 的篇章。

然而，Edward N.Lorenz 总结前人的经验，提出天气系统是一个混沌系统，会因变量的细微变化而发生巨大的改变。另一方面，人们对于气象系统的初始状态也很难完全掌握。为此，学界使用集合预报 (Ensemble Forecasting) 以最大限度降低初始参数和预测模型的不确定性，预测结果的集合即为概率预报的基础。

在这里插入图片描述

降水概率的集合预报示意图

随着数值模型、超级计算、数据同化和集合预测等技术的发展，数值天气预报的精度不断提高，预测时间也由 3 天、5 天逐渐提升至 7 天甚至 10 天。

在这里插入图片描述

南、北半球 (SH, NH) 的天气预报技术随时间的演进

目前，欧洲中期天气预报中心的预报模式需要对每一水平层的 200 万个网格，以 10 分钟的步长进行 10 天的预报，每天运行 2 次。因此，他们需要在 2.5 小时内，完成约 400 亿个网格的运算，需要很高的计算成本。

高昂的计算费用阻碍了数值天气预报方法的进一步发展。如何在模型分辨率和集合规模之间找到平衡，成了限制集合预报的桎梏。

数据驱动的机器学习方法崛起

近期，数据驱动 (Data-Driven) 的机器学习 (ML, Machine Learning) 在天气预报中展现出了巨大的潜力。2022 年以来，天气预报领域的机器学习模型取得了一系列突破，部分成果可以与欧洲中期天气预报中心的高精度预测匹敌。数据驱动的天气预报推理依赖于机器学习模型，而非综合预报系统 (IFS) 中的物理模型，其预测速度较传统方法提升了几个数量级。此外，基于机器学习的天气预报是归纳推理的结果，而非传统的演绎推理。这种逻辑学的范式转变改变了天气预报的解释方式——这些结果是从以前的数据中学习而来的，因此更具说服力。

数据集：1940 年至今 0.25° 的再分析数据

数据驱动模型的出现归功于大规模、高质量的气象学开放数据集。现有的机器学习天气预报模型，训练于欧洲中期天气预报中心的第五代再分析数据，ERA5 再分析数据集。2016 年现版本综合预报系统 (IFS) 问世时，对 1940 年至今的天气数据进行了再分析，得到了分辨率 0.25° (30 km) 的 ERA5 数据集。

FourCastNet：与 IFS 精度相当的 DL 模型

2022 年，NVIDIA 发布了 FourCastNet，基于傅立叶预测神经网络，首次进行了分辨率为 0.25° 的深度学习天气预报。

在这里插入图片描述

FourCastNet 架构示意图

在提升分辨率的同时，FourCastNet 在异常相关系数 (ACC, Anomaly Correlation Coefficient) 和均方根误差 (RMSE, Root Mean Squared Error) 方面也没有落后传统的数值天气预报太多。

在这里插入图片描述

FourCastNet 与数值天气预报的 ACC 和 RMSE 对比

以节点小时 (Node-Hour) 为单位，FourCastNet 的速度大约是传统数值天气预报模型的 45,000 倍，加上其在高分辨率下的准确性，使得超大规模的集合预报成本迅速降低。

GraphCast：基于 GNN 全球中期气象预报

GraphCast 是一种基于图神经网络 (GNN) 的神经网络，采用「编码-处理-解码」配置，共有 3,670 万个参数。

编码器通过单层 GNN 将输入网格中的变量映射到内部的多网格中。

多网格是一个空间均质的图，有着全球范围的高分辨率。多网格通过 6 次迭代正二十面体（包含 12 个节点，20 个面和 30 条边）形成，每次迭代会对网格进行精细化，将单个三角形划分为 4 个较小的三角形，并将其节点投影至球体上。最终多网格包含 40,962 个节点，及精细过程中所有图形的边，形成了包含不同长度的边的层级图。

处理器使用 16 个非共享的 GNN 层，在多网格上进行消息传递。解码器使用单层 GNN，将处理器的学习特征从多网格映射回到经纬度系统中。

在这里插入图片描述