谷歌DeepMind研究人员开发AI以更好地预测飓风路径和强度

热带气旋预报长期面临尺度与细节的权衡：全球模型擅长把握大尺度环流，但难以刻画风暴核心的小尺度过程；区域高分辨率模型（如 HAFS）能更好表示这些过程，却需要大量计算资源且覆盖范围有限。此前的全球 AI 模型也存在类似短板——能准确预测路径，但往往低估最强风速。

WN-C 采用联合训练策略：同时使用全球网格化大气数据和包含近 5000 个热带气旋观测的专门数据库（IBTrACS），使模型既能学习大尺度大气行为，又能掌握真实气旋的特征。值得注意的是，WN-C 的大气输入分辨率约为 0.25 度（赤道附近约 28 公里），却仍能产生有竞争力的强度预报，这表明极高的空间分辨率可能并非准确强度预报的必要条件。

在 2023 至 2025 年的热带气旋测试中，WN-C 在五天预报时段的平均路径误差约为 230 公里，而 ECMWF 的 ENS 系统为 370 公里，GenCast 为 335 公里。ENS 要达到同样的 230 公里精度，需要提前约 3.75 天，这意味着 WN-C 提供了约 30 小时的额外预警时间。

强度预报方面，WN-C 在三天时段的平均强度预报比 NOAA 的 HAFS 模型准确 3.75 节。研究称，这些改进相当于传统数值天气预报约十年的进步。

WN-C 是集合模型，标准预报包含 50 个成员，但由于计算速度快，可生成多达 1000 个成员的集合。大集合对于估计罕见但代价高昂的事件（如几天后的极端风况）尤为重要。研究发现，将集合从 50 增加到 1000 个成员，对估计此类事件特别有用。

模型还能估计地点经历 34、50 或 64 节以上风速的概率。研究显示，WN-C 的预测不确定性总体校准良好，即集合的离散度与实际误差较为吻合。

快速增强（24 小时内最大持续风速增加至少 30 节）是飓风预报中最棘手的问题之一，因为风暴可能在登陆前迅速变得危险。WN-C 在检测快速增强事件和避免误报之间取得了更好的平衡，其关键成功指数从对比模型的低于 0.3 提升至约 0.5。

这一改进对应急管理具有重要意义，因为飓风预报不仅需要预测中心路径，还需了解风暴强度及危险风场的延伸范围。

研究由 Google DeepMind 领导，合作方包括 Google Research、美国国家飓风中心、科罗拉多州立大学和英国气象局。论文已通过同行评审并被《自然》接受，但尚未正式发表。

团队表示模型已开始从回顾性测试走向业务预报，但具体部署范围和实际应用情况尚不明确。计算速度是优势之一：WN-C 生成预报的速度约为 GenCast 的 10 倍，比传统数值预报系统快数个数量级。