返回 文章 学习 CMS 文章

Google DeepMind 开源 WeatherNext:AI 气旋预报突破,额外争取一天预警时间

WeatherNext 用单一 AI 模型同时准确预测气旋路径与强度,平均多争取一天预警时间,现已开源。

WeatherNextGoogle DeepMind气旋预报AI 气象
成长分 / 100 78 综合收获、行动、留存与影响

Google DeepMind 开源 WeatherNext:AI 气旋预报突破,额外争取一天预警时间
为什么值得读了解 AI 如何弥合气旋路径(全球粗分辨率)与强度(局地高分辨率)两类传统建模技术之间的鸿沟。

获取一个已产生现实影响(如 2025 年飓风 Melissa 预报)并已开源的前沿气象 AI 模型细节。

关键洞察
  1. WeatherNext 在气旋路径、强度和风场结构预测上达到最先进准确度,平均获得超过 24 小时的领先时间优势,相当于气象领域十年的进展。
  2. 该模型在近 20 TB 全球大气数据和涵盖近 5,000 个历史风暴的 IBTrACS 数据库上联合训练,端到端学习大气模式与极端天气建模。
  3. 使用函数生成网络(FGNs)高效生成集合预报,今年集合规模扩大到 1,000 个成员,可在 TPU 上不到一分钟生成单个 15 天预报。
转成行动

深入阅读

正文与原文对照

原文保真覆盖:全文原文字符:9580

WeatherNext 能够做出准确的气旋预报,为预警多争取一天时间。现在,我们将该模型开源。

预测危险气旋如何发展是一项长期存在的挑战,每一个小时都至关重要。热带气旋(也称飓风或台风)是地球上破坏力最强的天气现象之一,过去 50 年间在全球造成了超过 70 万人死亡和 1.4 万亿美元的经济损失。对预报员来说,及时发布准确的预警始终是一场与时间的赛跑。

今天,我们在 Nature 上发表了一篇论文,展示 WeatherNext AI 模型在预测气旋路径、强度和风场结构方面达到了最先进的精度。平均而言,我们的模型为预报员多提供了一天的预测精度:我们的三天预报,与以往模型只能对未来两天做出的预报水平相当。这种幅度的提升大致相当于气象学十年的进步。

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)、英国气象局和世界各地气象机构的资深预报员。

我们的研究已经产生了现实影响。在 2025 年飓风季,我们的模型预测出飓风 Melissa 的快速增强及其在牙买加的登陆,帮助 NHC 做出了一次具有历史意义的飓风 Melissa 预报。这使 NHC 得以提前发布预警,为一线团队争取到了宝贵的准备时间。今年,我们继续携手合作,目前针对每个气旋预测 1,000 种可能的情景,以支持预报员的决策。

天气影响着每一个人。鉴于这种广泛的影响,我们现在开源飓风季期间使用的 WeatherNext 2 和 WeatherNext Cyclones 模型。我们希望通过公开这项技术,赋能研究社区,放大 AI 在建设更具韧性的社区方面的作用,无论是为本地预报员提供防范自然灾害所需的工具、支持可再生能源的发展,还是预判极端天气。

WeatherNext 如何预测天气和气旋

示意图展示了 WeatherNext 气旋预报流程:左侧是带有风力强度圆圈的四天预报风暴路径,右侧是基于集合预报的热带风暴、强热带风暴和 1 级气旋风力概率图。

示意图展示了 WeatherNext 气旋预报流程:左侧是带有风力强度圆圈的四天预报风暴路径,右侧是基于集合预报的热带风暴、强热带风暴和 1 级气旋风力概率图。
WeatherNext Cyclones 从飓风 Milton(2024 年 10 月)期间的全球大气状况出发,迭代预测全球天气形势和精细尺度的气旋路径,提前量最长可达 15 天。运行 1,000 个成员的集合预报,可生成从热带风暴到飓风级风力的局地概率图。

预测气旋通常需要在两种不同的建模技术之间做出取舍。气旋的路径(它将去向何方)由大规模的全球大气气流引导,迄今为止,这类气流最适合用较粗分辨率的全球模型来建模。然而,气旋的强度(它会变得多强)则由其核心周围高度局地化的精细尺度热力学物理过程驱动,最适合用专门的、更高分辨率的局地模型来建模。

我们的 WeatherNext 模型弥合了这一差距,既提升了全球天气的整体预报,也提升了气旋预报。它是一个单一的 AI 模型,能以最先进的精度预测热带气旋的路径、强度和风场结构。这一突破得益于其训练方式、架构以及处理低分辨率输入的方法这三者的独特结合。

三幅折线图对比了五天内路径、强度和风圈范围的预报误差。在这三项指标上,WeatherNext Cyclones 模型(最低的蓝线)始终保持最低的误差率,水平箭头标出其相对其他模型约一天的预测精度优势。

三幅折线图对比了五天内路径、强度和风圈范围的预报误差。在这三项指标上,WeatherNext Cyclones 模型(最低的蓝线)始终保持最低的误差率,水平箭头标出其相对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,并将其确定性和概率性表现与其他顶尖天气模型进行基准测试。平均而言,WeatherNext Cyclones 在预测气旋路径、强度和风场结构方面领先超过一整天(24 小时)的预见期。

该模型在两种不同的数据模态上联合训练:全球天气动力学数据,以及由专家整理的历史气旋观测数据。通过在近 20 TB 的全球大气数据和涵盖近 5,000 场历史风暴的 IBTrACS 历史数据库上进行端到端训练,模型学会了复杂的大气模式,以及如何对极端天气建模。

两幅图对比了历年 3 天气旋预报误差。图 A 显示,2023 至 2025 年间 WeatherNext Cyclones(蓝色)的位置误差(约 100 公里)明显低于 ENS(黄色)。图 B 显示,同一时期 WeatherNext Cyclones 的强度误差(约 11 节)低于 HWRF(红色)。

两幅图对比了历年 3 天气旋预报误差。图 A 显示,2023 至 2025 年间 WeatherNext Cyclones(蓝色)的位置误差(约 100 公里)明显低于 ENS(黄色)。图 B 显示,同一时期 WeatherNext Cyclones 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。图中展示了历年 ECMWF-ENS 路径预报 (a) 和 HWRF 强度预报 (b) 的 3 天精度,以及 WeatherNext Cyclones 如何在路径和强度两方面带来精度的跨越式提升。按过去 20 年的趋势,这一提升相当于十年的进步。

我们的模型使用函数式生成网络(Functional Generative Networks,FGN)高效生成多种不同预测的集合,从而捕捉天气固有的不确定性。如今,我们在一颗 TPU 上不到一分钟就能生成一次 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 1,000 个成员,能够捕捉罕见但影响重大的情景,例如 2025 年飓风 Melissa 期间出现的快速增强事件。

迄今为止,以极高的空间分辨率运行一直被认为是做出准确强度预报的主要驱动力。然而,WeatherNext Cyclones 只需要 28x28 公里分辨率的数据,比传统模型粗 100 倍。较小版本的 WeatherNext 2-mini 以更粗的 111x111 公里分辨率运行,同样表现出色。这让科学家们感到意外,而我们的模型为何能在这种分辨率下做出如此准确的预测,仍是一个有待充分理解的开放研究问题。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,我们开源了代码和模型权重,任何人都可以免费使用并在此基础上构建,包括学术研究、业务预报,或开发更专门化的局地模型。我们希望加快全球天气领域的进展,帮助气象机构、研究人员和非营利组织更好地预测各类天气事件,并做出保护生命和基础设施的关键决策。

我们还发布了两组相似的模型:在飓风季期间运行的 WeatherNext Cyclones(结果见论文),以及 10 月投入业务运行的后续更新版本 WeatherNext 2。此外,我们还发布了 WeatherNext 2-mini,这是模型的精简版本,可在免费的公共 Colab notebook 中于单颗 TPU 上运行。

你可以在 Weather Lab 上查看我们最新的气旋预报。我们最近为它换上了新界面,并在气旋路径之外新增了全球天气预报。现在,Weather Lab 可以在同一视图中呈现 WeatherNext 对气温、降水、风速等的预测。Weather Lab 和 WeatherNext 模型都属于 Google Earth AI。

推动 AI 天气预报的前沿

我们取得了历史性突破:在气旋预测上争取到了超过一整天的预见期,相当于气象学十年进步的提前量。在为未来的风暴季做准备之际,我们邀请研究人员、气象机构和专家与我们合作,在我们的开源模型基础上继续构建,并在 Weather Lab 上查看我们的预报。通过将先进的机器学习与人类预报员不可或缺的实战经验相结合,我们希望打造一个协作式的天气预报生态系统,挽救生命,并帮助社区适应不断变化的气候。

注:官方天气预报和预警,请以当地气象机构或国家气象部门发布的为准。

致谢

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

感谢我们的合作伙伴 NOAA/NWS/NCEP National Hurricane Center、Cooperative Institute for Research in the Atmosphere (CIRA) 和 UK Met Office 对论文的合作与贡献。

这项工作体现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。