28公里网格AI模型何以提升台风强度预报能力
WeatherNext Cyclones（WN-C）的工作方式：模型从全球大气初始状态出发，以6小时为步长同时预测未来大气状态和热带气旋的位置、路径及强度。
它并非只计算一个确定的未来，而是生成大量集合成员；图中以1000个成员为例，将不同可能的气旋演变综合起来，进一步计算未来4天出现34节、50节和64节以上大风的概率。
值得注意的是，气旋强度等指标由模型专门学习和预测，并非简单从约28公里分辨率的格点风场中寻找最大风速。对于台风、暴雨这类时空分布极不均匀的天气系统，要预报好其强风、强雨的定点落区，需要高分辨率数值模式支撑。
以台风为例，其活动最剧烈区域集中在眼区周边，强对流、海气热量与水汽输送、边界层湍流乃至眼壁置换都发生在这狭小的局地空间内，因此通常会将数值模式的水平分辨率设计到数公里。2026年8月，《自然》刊发论文，对上述认知形成了挑战。
谷歌 DeepMind团队研发的智能天气模型 WeatherNext Cyclones（WNC）采用0.25°（约28公里）网格的全球大气资料，在热带气旋预报上取得较高技巧。基于2023—2025年样本评估，对比主流业务模式，WNC对路径、强度、风圈等要素预报平均可多获得一天甚至更长有效时效，作者称提升幅度大致相当于过去十年全球业务热带气旋预报的总进步。
5天时效下，WNC集合平均路径误差约230公里，欧洲中期天气预报中心业务集合（ENS）约370公里，两者相差约140公里。更受关注的是强度预报。传统观点认为，台风强度高度依赖核心区小尺度物理过程，提高分辨率是绕不开的条件，而 WNC输入分辨率显著低于多数业务模式。论文据此提出：人工智能（AI）框架下高分辨率网格或许并非获得最优强度预报技巧的必要前提。
那么，气象界长期提升分辨率的探索是否存在方向偏差？答案没有这么简单。要解答疑问，先要搞清 WNC的预报方式。它本质是一套集合预报系统，针对大气混沌特性而来：初始场微小误差经数天演化会快速放大，因此现代集合预报从存在微小差异的初始状态推演多种情景，输出概率分布而非确定性结论。
而这正是 AI的优势，WNC可快速生成约1000个集合成员，并通过统计得到路径、强度演变的概率最大情景。接下来需探讨一个关键科学问题：在28公里网格下，模型如何识别眼墙结构并准确预报强度变化？事实上，台风最大风速通常出现在距中心一定距离的眼墙附近，真实风场从眼区向外急剧增强，在眼墙达到峰值后迅速衰减。
而在28公里网格下，眼墙往往仅对应一两个格点，其尖锐的风速峰值会被粗网格“平滑”处理，若直接从格点风场提取最大风速，显然难以还原真实强度。这也正是气象学界长期坚持提升分辨率的核心理由。但 WNC并未沿袭这一传统路径。
模型并非先生成28公里风场后再检索最大风速，而是同时融合全球动力大气资料与经预处理的历史观测样本，通过专属输出通道直接输出气旋特征，再以专用追踪器整理成完整路径与强度序列。试验表明，仅引入热带气旋样本对强度提升有限，真正带来系统性改善的，是这种不依赖格点风场提取峰值、直接预测强度指标的设计，模型无需解析眼墙内精细风结构，也能预判眼墙能达的风速水平。
从直观物理认知看，这似乎难以理解。其核心在于：决定台风未来强度的，不只是眼墙内部正在发生的过程，热带气旋这台热力发动机所处的大尺度环境场同样关键，海温、中层湿度、垂直风切变、高空外流、环境涡度、当前强度结构以及过去12小时、24小时增减趋势等，都蕴含在几十到上千公里尺度的环境场中。
WNC输入的是多层气压、多要素、时间连续演变的全球三维大气状态，从中学习统计关联。因此模型不必逐一模拟眼墙内对流云团，仅凭大尺度环境信息即可完成强度推断。WNC真正挑战的，并非“分辨率越高预报就一定越好”的简单判断，而是背后隐含的假设：只有显式解析产生某类气象现象的全部物理过程，才能准确预报其结果。
传统数值预报正是基于这一逻辑。而 AI模型则另辟蹊径：它从海量历史样本中学习，结合大尺度环境与风暴当前状态，直接推演强度演变趋势，无需重建所有细微物理过程。由此引出一个重要区分：物理过程能否被显式解析，与预报结果能否准确预测，是两个相对独立的问题。
预报正确，并不意味着还原了全部驱动机制；反之，即使动力模式能精细解析物理过程，也可能因初始误差或参数化方案的局限，导致预报效果不佳。这提示我们，以往常放在一起讨论的两类问题今后应加以区分：一是未来会发生什么，二是为什么会发生。AI模型正在快速提升回答第一个问题的能力，高分辨率物理模式则是解答第二个问题的重要工具。
厘清两类方法的原理与特点，远比简单评判孰优孰劣更有意义。这也是 WNC最宝贵的启示：预测正确不等于过程清晰，过程未被显式解析也不等于无法预测结果。需要研究风暴内部精细演变及复杂地形、边界层、海气耦合等内在机理时，高分辨率物理模式无可替代；而要快速准确得到预报结果，则还会有更多选择。
对我国台风业务预报而言，该研究同样有重要启示：一方面，AI天气模型为热带气旋预报开辟新路径，可充分挖掘现有观测再分析资料中的统计信息，提升概率分布引导能力；另一方面，高分辨率物理模式仍是分析研究台风精细化风雨分布、眼墙置换、海气相互作用、地形影响等科学问题不可替代的工具。未来发展并非二选一，而应推动 AI预报与传统物理模式互补融合。《中国气象报》