相关动态
机器学习已能在中期时间尺度生成高技巧的概率天气预报，也可提升既有预报的时空分辨率。本文探索将空间与时间降尺度合并为单一模型，并与独立训练的机器学习预报模型耦合。该模型基于 ECMWF 与欧洲多家国家气象服务机构共同开发的 Anemoi 框架，使用流匹配方法在 ERA5 上训练：输入为约100 km、每6小时一次的 O96 网格场，输出为约30 km、逐小时的 N320 ERA5 原生网格序列，每次生成5个时间步。模型学习与粗分辨率输入状态一致的精细时空特征条件分布；训练时使用加入随机噪声水平高斯噪声的高分辨率 ERA5 目标。
端到端天气预报系统直接从原始观测生成全球格点和站点预报，以极小成本替代包括资料同化在内的数值天气预报流程，但为确定性系统、不给出不确定性。本文将Aardvark Weather模型概率化：观测编码器加入学习到的输入相关噪声，刻画观测系统的偶然不确定性；处理器采用蒙特卡洛dropout，刻画学习动力学的认知不确定性。嵌套集合用全方差定律把预报离散度归因于这两类来源，并用剔除观测流交叉验证。概率性微调使平均预报改进4.2%；集合在中期范围对ERA5校准（spread-skill ratio 0.98），站点RMSE保持在确定性模型2.4%以内，各时效CRPS均更优，但落后于ECMWF业务集合。编码器分支表现为观测驱动的不确定性，组件归因使端到端预报更透明。
ECMWF 指出，洪水每年影响的人数超过任何其他自然灾害，准确的河流流量预报对预警、水库调度和生命保护至关重要。ECMWF 已为欧洲洪水预警系统（EFAS）和全球洪水预警系统（GloFAS）提供计算支撑超过15年，将天气预报与基于过程的 hydrological 模型结合。新研究提出 AIFL，一种直接从数据学习、并能应对业务天气预报现实的全球河流流量预测模型，隶属于 Destination Earth（DestinE）计划的水文部分。AIFL 采用两阶段训练策略，先用40年 ERA5-Land 再分析数据预训练 LSTM 网络，以应对再分析资料到业务预报的域偏移问题，该偏移会显著降低模型在真实场景中的表现。
人工智能天气预报系统通常每六小时提供一次预报，但无法捕捉其间天气的连续变化。为此，MET Norway与ECMWF合作开发了数据驱动的概率时间降尺度方法HourGlass，从六小时预报重建逐小时的大气演变，保持与原始预报一致，同时避免误差累积。该方法已在全球和区域预报系统中成功评估，并将于今年晚些时候纳入ECMWF业务预报系统（AIFS v3），为AIFS Single和Ensemble提供关键地表变量的逐小时预报。在MET Norway，HourGlass已近实时运行，供预报员评估，并计划用于Bris集合预报系统。HourGlass采用CRPS的变体，以避免确定性训练导致的过于平滑问题，从而保持小尺度变率。
2026年夏季欧洲遭遇空前热浪，6月成为西欧有记录以来最热月份，较1991-2020年平均高出约3度，6月最后一周报告超过1万例超额死亡。城市热岛效应使城市夜间温度更高，增加健康风险。为此，下一代人工智能预报系统（AIFS v3）将加入城市静态场，用以表示不透水表面比例。通过对比正常预报与将城市场设为零的预报，可隔离模型学到的城市响应。
热带气旋是破坏性最强的天气系统之一，而AI模型在预测其路径方面虽有进步，但在强度预报上常低估风暴威力。剑桥大学的团队提出一种简单方法：不是重建模型，而是基于现有的人工智能预报系统（AIFS），学习并修正其偏差。该修正利用AIFS预报中的轨道、强度及三维大气场信息。在2025年未参与训练的飓风上测试，其最大风速和最低中心气压的预报性能与领先业务及AI系统相当。关键在于AIFS分辨率约0.25°，不足以完全解析气旋内核，导致平滑效应。
机器学习正在从研究边缘走向天气预报核心，有望实现更快、更及时且可能更低成本的预报。ECMWF机器学习项目（MLP）由挪威气象研究所和瑞士气象局牵头，联合ECMWF及17个国家气象部门，于2024年在EUMETNET E-AI计划下启动。项目不聚焦单一模型，而是探索区域到全球业务化ML预报所需的基础设施、数据和工作流程，促进欧洲各国气象部门共享知识，共同应对转型挑战。
微软研究院推出Aurora 1.5，这是对Aurora大气基础模型的微调版本，专为中期集合天气预报优化。通过三阶段微调流程：扩展变量集和随机化滞后时间嵌入实现原生一小时分辨率；在AdaLN模块中注入高斯噪声并优化CRPS目标实现随机预测；在ECMWF业务分析上进行自回归微调。Aurora 1.5 ENS在中期（1-10天）88.9%的变量上优于ECMWF业务集合，且略微过离散。它还改进了极端事件预测，热带气旋路径误差降低16%，热浪MAE降低58%。该工作表明基础模型微调是实现可靠概率AI天气预报的可行且经济有效的途径。
欧洲中期天气预报中心（ECMWF）与多个欧洲国家气象服务合作开发了Anemoi框架，旨在支持大规模AI天气与气候模型的开发、训练和业务运行。该框架提供共享的数据集、工作流和软件基础设施，使AI技术能从研究走向预业务化和业务化应用。Anemoi强调端到端工作流，涵盖数据准备、模型训练和大型推理，并针对EuroHPC等现代高性能计算架构进行优化。其三大紧密集成组件包括：面向ML的AI就绪数据集、稳健可复用的分布式工作流，以及集成训练、推理、验证和监控工具。该框架旨在在保持运营所需的可靠性、可追溯性和稳健性的同时，支持快速发展的机器学习技术，促进欧洲范围内的创新与运营一致性。
机器学习（ML）天气预报模型发展迅速，但其对中纬度强风暴快速演变过程的再现能力尚待检验。欧洲风暴命名计划2025-26季首个风暴Amy于2025年10月初给西北欧带来破坏性大风。该文比较了ECMWF基于物理的IFS控制预报（IFS-CF）、ML的AIFS确定性预报（AIFS Single）及AIFS集合控制预报（AIFS ENS CF）对Amy的预报表现。三者均较好捕捉了风暴路径、气压型和低压深度，差异主要体现在局部风极大值上。AIFS Single初期低估低压深度，但后期迅速恢复并准确捕捉成熟期强度。