AI预测台风精度或大幅提升，谷歌天气预测模型登上Nature并开源

根据世界气象组织（WMO）数据，过去 50 年间，热带气旋相关灾害已造成全球约 77.9 万人死亡，造成经济损失达 1.4 万亿美元。作为仅次于地震的第二大危险自然灾害，台风等热带气旋长期威胁沿海地区生命安全与经济活动。

因此，更早、更准确地判断台风的移动路径、强度变化和风圈范围，对于识别潜在风险区域、做好预警和应急决策至关重要。

8 月 6 日，谷歌 DeepMind、Google Research 与美国国家飓风中心等机构的研究人员在 Nature 发表论文，公布面向热带气旋业务预报的 AI 模型 WeatherNext Cyclones。论文显示，该模型可针对全球热带气旋生成最长 15 天的天气和气旋情景，并预测路径、强度及风圈半径。

值得注意的是，WeatherNext 在路径、强度和风圈半径等预测任务上，平均可提前一天或更多时间达到与现有模型相当的准确水平。换言之，该模型能够在更早时间提供更精确的预测结果，为预警和决策争取更多准备时间。

一直以来，台风预报领域都面临路径预测与强度预测难以兼顾的问题。其中，台风路径主要受到大尺度大气环流影响，全球天气模型通常具有较强预测能力；但强度变化更多取决于台风核心区域的海气相互作用、对流活动等局地过程，往往需要更高分辨率的区域模型参与预报。

区别于传统路径预测，此次公开的 WeatherNext 模型能够在同一套全球 AI 模型中同时预测台风路径、强度和风结构。该模型会生成多种可能的未来情景，并据此评估台风移动路径、强风影响范围以及不同强度等级出现的概率，从而更全面反映预测中的不确定性。

除论文发表外，研究团队还公开了 WeatherNext 2 与 WeatherNext Cyclones 的代码和预训练权重，并提供计算需求更低的轻量版本，便于研究人员、气象机构和开发者进行复现与进一步适配。不过，研究团队也强调，这些模型目前仍属于实验性研究工具，不能替代气象机构发布的正式预警信息。

（来源：Nature）

双重数据训练，提升预测能力

研究团队认为，热带气旋的发展既受到全球大气环境影响，也取决于风暴自身演变过程。为此，研究团队将两类数据共同用于训练：全球天气分析数据帮助模型识别影响台风移动和发展的环境条件，历史热带气旋资料则用于学习不同环境下台风路径、强度及风圈范围的变化规律。

第一类数据来自欧洲中期天气预报中心（ECMWF）的 ERA5 再分析数据。研究团队使用了 1979 年至 2018 年间的全球天气资料，该数据融合卫星、地面观测等多源历史信息，包含不同气压层的温度、湿度、风场、位势高度等变量。

第二类数据来自全球热带气旋最佳路径资料库 IBTrACS，汇集多家气象机构的历史记录，包括气旋中心位置、最大持续风速以及不同风速阈值下的风圈半径等信息。

在此基础上，WeatherNext 通过端到端训练近 20TB 的全球大气数据和涵盖近 5,000 场历史风暴的数据库，使模型能够学习复杂的大气演变规律，并模拟热带气旋在不同环境条件下的发展过程。

在过去，传统天气预报通常先给出一个最可能的发展结果，但真实的大气系统充满不确定性，微小的初始变化也可能导致风暴未来路径和强度出现明显差异。

WeatherNext 则在预测全球天气状态的同时，直接输出台风位置、强度和风圈范围等信息，将大气环境变化与台风演变过程纳入同一次预测，使预测结果从单一路径判断转向对多种可能情景的综合模拟。

论文显示，该模型能够生成覆盖未来 15 天的全球天气和气旋情景，并支持最高 1,000 个成员规模的集合预测。具体而言，模型通过连续读取两个时刻的全球天气状态，以 6 小时为一步向前推演，最终生成未来多种可能的发展路径。

同样的准确性，预测提前整整一天

那么，新的训练模式是否真的让 WeatherNext 超越现有气象系统？

为了回答这一问题，研究团队使用 2023 年至 2025 年的热带气旋数据，对 WeatherNext Cyclones 进行系统评估，并将其与当前领先的业务气象模型进行比较。对比模型包括欧洲中期天气预报中心集合预报系统 ENS、高分辨率台风模型 HAFS，以及此前的 AI 天气模型 GenCast。

评估主要围绕三个方面展开：一是路径预测，即模型预测的台风中心位置与实际路径之间的偏差；二是强度预测，即预测的最大持续风速等指标与实际情况的差距；三是风圈预测，即模型对不同强度风力影响范围的判断是否准确。此外，研究团队还评估了模型预测结果的不确定性是否与实际发展情况相匹配。

为保证不同模型之间的比较公平，研究团队设置了统一的筛选标准。这意味着，只有当实际发生的系统属于热带或副热带气旋，且参与比较的模型均成功识别该气旋时，这次预测结果才会被纳入统计。

（来源：DeepMind）

结果显示，在路径、强度和风圈半径预测中，WeatherNext 平均能够比现有模型提前一天甚至更早达到相近准确水平。研究团队通过统计检验确认，其相较 ENS、HAFS 和 GenCast 的部分优势具有稳定性，并非单次预测中的偶然结果。

与此同时，团队将 WeatherNext 的表现与传统业务模型过去十年的进步幅度进行了比较。研究发现，ENS 在十年间约提升了 22 小时的有效预报提前量，而 WeatherNext 相比 ENS 又增加了约 27 小时，意味着 AI 模型在较短时间内达到了传统模型多年改进带来的提升幅度。

WN-C 的强度预测能力也超过了专门针对飓风设计的高分辨率区域模型 HAFS。此前，全球 AI 天气模型主要擅长预测大尺度天气变化，而在台风核心区域的强度演变预测上，通常不如高分辨率区域模型。

不过，WeatherNext 的目标并非取代现有预报体系，而是作为新的预测工具参与业务流程。研究团队发现，将其结果与现有模型进行融合后，可以进一步提高整体预报表现。

对台风预报而言，这项研究表明全球 AI 天气模型已经具备同时预测路径、强度和风圈等关键信息的能力。若未来在更多气旋季节和不同海域中得到验证，AI 或将帮助预报系统更早识别风险，并提供更多可能的发展情景。

参考资料：

1.https://www.nature.com/articles/s41586-026-10953-2

2.media.springernature.com/original/springer-static/esm/art%3A10.1038%2Fs41586-026-10953-2/MediaObjects/41586_2026_10953_MOESM1_ESM.pdf

3.https://github.com/google-deepmind/weathernext

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成