基于人工智能的大型天气模型：进展、对比与展望

基于人工智能的大型天气模型：进展、对比与展望

本文系统综述了人工智能大型天气模型（LWMs）的技术架构、核心性能及未来发展方向。文章将主流模型按预报时效分为四类：临近预报（NowCastNet/FengLei）、短期预报（MetNet-3）、中期预报（FourCastNet/Pangu）和延伸期预报（GraphCast/FengWu/FuXi）。相比传统数值天气预报（NWP），AI模型在计算效率（提速万倍以上）、时空分辨率（公里级/分钟级）和多样化应用场景方面展现巨大优势。然而，模型可解释性、训练成本、极端事件预测和平滑效应等挑战仍待解决。未来发展方向在于物理模型与AI的深度融合，构建"物理约束+数据驱动"的混合预报范式。

Lei Hu, Zhen Ma, and Huijin Fu. 2026. 
Artificial Intelligence-Based Large Weather Models: 
Advances, Comparisons, and Prospects. 
In Proceedings of the 2025 International Conference 
on Embodied Intelligence and Large Models (EILM '25). 
Association for Computing Machinery, New York, NY, 
USA, 191–198. https://doi.org/10.1145/3788731.3788761

一、研究背景与范式转变

1.1 传统数值天气预报的困境

现代气象预报业务主要依赖**数值天气预报（NWP, Numerical Weather Prediction）**方法，以欧洲中期天气预报中心（ECMWF）的集合预报系统为典型代表。NWP基于大气物理学原理，通过求解描述大气状态演变的偏微分方程组来预测未来天气。然而，这一范式面临两大固有局限：

• • 计算成本高昂：单次全球10天预报通常需要在配备数百个节点的超级计算机上运行数小时
• • 参数化误差：对次网格尺度物理过程（如云微物理、边界层湍流）的参数化近似是预报误差的重要来源

1.2 AI气象预报的新范式

近年来，人工智能与大气科学的深度融合催生了**大型AI天气模型（Large Weather Models, LWMs）**这一新范式。通过直接在海量历史气象数据集（如ERA5再分析资料）上训练深度神经网络（LSTM、Transformer等），AI模型能够学习大气系统的内在演变规律。

核心优势：

• • 推理速度：训练后的模型可在秒级至分钟级内生成高分辨率预报
• • 数据驱动：直接从观测数据学习，预测结果更接近大气真实状态
• • 时空分辨率：可实现公里级空间分辨率和分钟级时间分辨率

二、大型AI天气模型的技术架构与分类

基于预报时效，主流大型AI天气模型可分为四类：

2.1 短期临近预报模型（Nowcasting，0-3小时）

核心挑战：强风暴、暴雨等强对流天气的准确早期预警对时效性和空间精度要求极高。

NowCastNet（清华大学，2023）：

• • 技术架构：结合神经演化算子（Neural Evolution Operator）与概率生成模型
• • 性能指标：3小时降水预报，空间分辨率20km，时间分辨率10分钟
• • 创新点：端到端建模降水相关物理过程，捕捉公里尺度降水结构
• • 业务应用：已部署于中国气象局短临预报业务平台（SWAN 3.0）

FengLei（风雷）模型（2024）：

• • 技术升级：融合物理模式的中尺度预报与AI模型的对流尺度预报
• • 性能提升：0-3小时公里级雷达反射率预报技巧提升25%，强回波预报技巧提升显著
• • 时效性：3分钟内生成6小时间隔预报产品
• • 典型案例：2024年成功预报湖南地区飑线合并过程，提前3小时提供预警

2.2 短期预报模型（Short-Range，0-24小时）

MetNet系列（Google/DeepMind）：

• • MetNet（2020）：基于深度神经网络，利用雷达和卫星高分辨率观测数据，提供1km空间分辨率、2分钟时间分辨率、最长8小时预报
• • MetNet-2（2022）：扩展至12小时预报，但仍存在漏报和空报
• • MetNet-3（2023）：采用U-Net骨干网络，集成MaxViT模块与Transformer架构，引入网格注意力机制
  • • 突破：关键大气变量有效预报时效延长至24小时，精度超越传统NWP
  • • 业务化：已部署于Google Search等 operational 系统

局限性：纯数据驱动策略在融入物理约束和提升可解释性方面仍有改进空间。

2.3 中期预报模型（Medium-Range，1-7天）

FourCastNet（NVIDIA等，2022）：

• • 核心技术：基于自适应傅里叶神经算子（AFNO, Adaptive Fourier Neural Operator）
• • 训练数据：ERA5再分析数据集（20+气象变量，1979-2017年）
• • 性能表现：
  • • 0.25°分辨率全球7天预报仅需约2秒
  • • 预报速度比ECMWF IFS高分辨率集合预报快约45,000倍
  • • 大尺度变量预报技巧与IFS相当，部分小尺度变量超越IFS
• • 范式："预训练+微调"（Pretraining + Fine-tuning），支持端到端下游任务

盘古气象大模型（Pangu，华为云，2022）：

• • 架构创新：基于3D Earth-Specific Transformer（3D Swin Transformer）
• • 技术特点：
  • • 纯数据驱动，完全替代传统模式的动力核心和参数化方案
  • • 全球7天预报耗时仅1.4秒，比传统方法快约10,000倍
  • • 首次在精度上超越传统NWP方法（2023年7月发表于Nature）
• • 误差控制：采用分层时间聚合策略（Hierarchical Temporal Aggregation），减少多步迭代误差累积

2.4 延伸期预报模型（Extended-Range，7-15天）

GraphCast（DeepMind/Google，2022）：

• • 核心架构：基于**图神经网络（GNN）**的自回归预报模型
• • 网格映射：将原始经纬度网格映射为多网格表示（Multi-grid Representation）进行特征学习
• • 性能表现：
  • • 60秒内完成10天全球预报
  • • 在252个大气变量中，99.2%的评估指标超越Pangu
  • • 在2760个变量中，90%的预报技巧超越ECMWF HRES
  • • 37个气压层，0.25°分辨率，约25km×25km赤道附近水平分辨率
• • 发表：2023年11月发表于Science

风乌（FengWu，上海AI实验室，2023）：

• • 技术突破：
  • • 多任务学习：将大气变量间复杂相互作用建模为多任务学习问题，采用多模态神经网络架构与自动损失重平衡
  • • 回放缓冲区机制（Replay Buffer）：收集并重用训练中的中间步预测，显式模拟并校正多步误差，无需额外自回归训练阶段
• • 性能指标：
  • • 首个将全球中期有效预报时效延长至10.75天的模型
  • • 风乌-GHR（2024）：首个实现公里级（约9km，0.09°）全球中期AI直接预报，空间细节提升7倍以上，有效预报时效达11.25天

伏羲（FuXi，复旦大学，2023）：

• • 模型规模：45亿参数
• • 核心贡献：将AI天气预报有效预报时效延伸至15天，进入次季节-季节（S2S）尺度
• • 级联架构：FuXi Short（0-20天）、FuXi Medium（21-40天）、FuXi Long（长期）
• • 性能表现：
  • • 10天预报（6小时间隔，0.25°分辨率）超越ECMWF确定性HRES预报
  • • 15天预报性能与ECMWF集合平均（EM）相当
• • 伏羲2.0：提升至0.1°分辨率，小时级15天预报

三、大型AI天气模型的核心优势

3.1 预报效率的指数级提升

传统NWP需要超级计算机运行数小时，而AI模型可在秒至分钟级生成预测。FourCastNet和盘古等模型相比传统NWP提速4个数量级以上，为临近预报和早期预警争取宝贵时间。

3.2 时空分辨率的显著增强

主流AI模型可实现1-25km空间分辨率和2分钟时间分辨率，远超传统NWP。这支持对局地深对流、城市热岛效应等小尺度过程的精细刻画，为城市洪涝、能源调度等精细化管理提供支撑。

3.3 多样化应用场景的强适应性

从台风、暴雨等极端事件早期预警，到高铁横风预报、机场风切变预警，再到城市内涝、能源调度等公共服务领域，大型AI天气模型可灵活适配多种下游任务。

四、挑战与未来展望

4.1 模型可解释性（Interpretability）

深度学习模型常被视为"黑箱"，其内部决策过程和物理机制难以解释。在需要严格物理论证的气象领域，这构成重大挑战。未来方向：探索理论驱动与数据驱动融合的新范式，将物理约束嵌入AI模型，研究其可解释性与物理一致性。

4.2 训练成本与泛化能力

虽然训练后的AI模型运行成本低，但训练过程需要大量计算资源（如盘古使用数千GPU训练），在这方面相比NWP并无明显优势。解决路径：

• • 显著降低前期训练成本
• • 增强模型泛化能力，实现跨区域、跨时段的有效迁移

4.3 过度平滑与极端事件预测

现有模型在极端事件预报方面能力有限。作为统计模型，AI模型存在**过度平滑（Over-smoothing）**问题：预报输出严重偏向训练数据分布，对罕见的极端事件预测能力显著不足。解决方案：结合NWP与AI模型，互补优势。

4.4 实施框架差异

传统NWP主要使用Fortran编写，而AI模型基于Python和TensorFlow/PyTorch等深度学习框架。两者的深度集成成为地球系统建模的核心前沿。

4.5 业务化挑战

• • 预报员信任：黑箱系统缺乏可解释性可能阻碍业务环境接受度
• • 监管验证：官方天气预报的法规认证要求严格
• • 系统集成：需与现有NWP集合预报系统协同，而非简单替代

五、结论

大型AI天气模型凭借其卓越的效率和分辨率，正引领天气预报向数据驱动方法与物理约束混合框架的范式转变。其在临近预报、中期预报和延伸期预报方面的突破，已为防灾减灾和社会经济发展提供关键支撑。

然而，在可解释性、泛化能力、极端事件预报和训练成本方面仍存在显著障碍。未来发展路径在于物理模型与AI模型的深度融合、训练优化和互操作性提升。这些进步有望重新定义预报精度和时效的极限，使大型AI天气模型成为地球系统建模的基石和未来智能气象业务的核心引擎。

以上是对文章的详细解读，如有不当之处欢迎批评指出！

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。