会员专区

台风预报平均多一天有效时效：WeatherNext如何重构惠州沿海城市的防灾基础设施

, , , ,

摘要：WeatherNext Cyclones在历史样本评估中，为台风路径、强度和风圈预报平均增加超过24小时的同等准确度时效；惠州需要把这一天转化为行业动作。

WeatherNext台风预测与惠州沿海城市防灾基础设施

Google DeepMind于2026年8月公布WeatherNext Cyclones，并在《Nature》发表论文《Operational Tropical Cyclone Forecasting with AI》。论文给出的核心结论很醒目：在热带气旋路径、强度和风圈预测上，这个模型相对领先业务模式平均获得一天或更长的预报时效优势。通俗地说，它在三天时效上达到的准确度，大致相当于以往模型在两天时效上的水平。这一跃升相当于传统业务预报约十年的渐进改进。

对广东而言，这不是一条遥远的AI新闻。惠州拥有大亚湾石化区、深水港口、百万千瓦级海上风电，以及密集的电力、交通和城市排水设施。台风决策最稀缺的资源往往不是一张更漂亮的路径图，而是时间：船舶回港、海上人员撤离、危险化学品装卸停止、装置降负荷、泵站预排、电网抢修力量前置，每项动作都需要提前量。若多出的24小时能够被可靠地纳入会商和预案，它的价值可能远大于单纯降低一次预报误差。

WeatherNext集合预报转化为惠州港口、石化、电网和排涝行动

“提前24小时”究竟意味着什么

WeatherNext的24小时优势不是“比气象部门早一天发布确定答案”，更不是保证每个台风都提前一天预报准确。论文是在2023—2024年历史热带气旋样本上，将路径、最大风速及不同风速半径等指标与领先业务模式比较后得到的平均有效时效增益。它表达的是：达到同等误差水平时，WeatherNext通常可以向前多看约一天。

这一区分十分重要。台风风险至少包含四个维度：中心往哪里走，强度如何变化，大风覆盖多大范围，以及各种可能情景的概率。只看中心路径，会低估大型台风的外围大风、风暴增水和远距离降雨；只给一条“最可能路径”，又会隐藏转向、快速增强等低概率高损失情景。WeatherNext的突破在于用一个全球模型同时输出路径、强度和风圈，并以集合形式描述不确定性，而不是仅追求一条更准的中心线。

模型吃进了什么数据

WeatherNext Cyclones采用两类互补资料共同训练。第一类是接近20TB的全球大气数据，包括ECMWF的ERA5再分析资料，以及面向业务初始化和微调的HRES分析资料。再分析数据把历史观测与数值模式通过资料同化结合，形成时间连续、变量完整的全球大气“重建档案”；HRES则更接近每天业务预报所面对的初始场。

第二类是NOAA维护的IBTrACS全球热带气旋最佳路径资料，覆盖近5000个历史风暴。它汇集不同气象机构对气旋位置、强度和风圈的事后订正记录。普通全球天气模型擅长学习引导台风移动的大尺度环流，却未必充分识别台风眼墙附近的快速增强信号；把全球大气场与专家整理的气旋档案联合训练，相当于同时教授模型“世界天气如何演化”和“热带气旋这个特殊对象如何发展”。

模型以两个连续初始时次为条件，每六小时自回归向前推进一步，连续滚动到15天。预测变量包括13个等压面上的6类大气变量和6类地面变量。业务版网格为0.25度，约28—30公里；轻量版使用1度网格，约111公里。开源仓库还提供了不同训练截止年份的权重、直接气旋追踪器和Colab示例，研究者可以从ECMWF初始场生成预报，再从全球网格场中提取气旋轨迹。

FGN为何能生成1000种天气未来

WeatherNext的关键架构叫Functional Generative Networks，即功能生成网络，简称FGN。天气具有典型的“初值敏感性”：今天极小的观测误差和未解析过程，数日后可能演化为完全不同的路径。因此，现代气象业务依赖集合预报——不是算一次，而是改变初值、模式参数或物理过程，计算一组可能未来。

FGN把不确定性分成两类。第一类是认知不确定性，即模型结构和有限训练数据造成的未知。团队独立训练4个模型，再把它们的结果组合起来，类似用多位各自受训的预报员降低单一模型偏差。第二类是随机不确定性，即对流、海气交换等无法被当前网格和状态完全解析的波动。FGN在每个预报步采样低维噪声，通过条件归一化对网络内部函数进行有结构的扰动。它不是在输出地图上随意撒噪点，而是轻微改变产生整张天气图的“函数”，因此不同地点、变量和时间之间仍能保持合理的空间结构。

训练目标采用连续秩概率评分CRPS。这个指标既惩罚预测中心偏离实况，也惩罚概率分布过宽或过窄，促使集合既准确又校准。FGN虽然主要在每个位置、变量的边缘分布上优化，却借助共享参数和气象架构的约束，生成具有连贯空间结构的天气场。每条成员轨迹在时间上自洽，数百至1000条轨迹便可估计登陆区间、快速增强、大风影响范围等概率。

传统全球集合通常约50个成员，受数值积分成本限制，很难任意扩容。WeatherNext可在TPU上不到一分钟完成一条15天预报，使1000成员集合成为可能。成员数从50增加到1000，主要价值不是让平均路径自动提高20倍，而是提高低概率尾部事件的采样能力。例如某种快速增强情景概率只有1%，50个成员可能一个也抓不到，1000个成员则有机会形成可研判的信号。

低分辨率为何还能预测强度

台风强度长期被认为高度依赖眼墙、海气通量和对流爆发等精细过程，区域飓风模式的网格常达到数公里。WeatherNext却在约28公里输入上取得领先结果，轻量版甚至使用约111公里网格。论文认为，这说明粗分辨率全球场中包含的强度信号比过去认识的更多：海温背景、环境垂直风切变、水汽、上层外流和大尺度涡旋结构，都可能被神经网络联合提取；IBTrACS监督又帮助模型把这些信号映射到最大风速和风圈。

但这不意味着高分辨率数值天气预报已经失去价值。WeatherNext并未显式求解全部流体力学和微物理方程，也依赖由传统观测、资料同化和ECMWF系统产生的初始场；它更像高速的全球概率预报器。对登陆点附近的地形增幅、局地极端降雨、风暴潮、街区内涝和具体风机载荷，仍需区域高分辨率模式、海浪—潮汐—风暴潮耦合模式、雷达临近预报与现场传感器。

更合理的业务架构不是“AI取代NWP”，而是多模型融合：全球NWP负责物理一致性和初始场，WeatherNext快速生成大集合并筛出高风险情景，区域模式对这些情景进行精细降尺度，人类预报员结合实时观测修正。模型也存在训练分布外风险；气候变化可能带来历史样本中少见的结构，最佳路径资料本身有观测误差，不同海盆数据质量也不一致。15天输出代表概率情景，不代表15天登陆点可以精确锁定。官方仓库明确声明模型不能替代政府气象机构的预警。

惠州应该怎样把一天变成行动能力

惠州首先需要的不是采购一个“AI台风大屏”，而是建立从概率预报到行业动作的翻译层。市级气象、应急、水利、自然资源、交通、海事、住建、供电及重点企业，可围绕官方预警体系建设一个试验性的多模型风险中台：接入国家和省级权威预报、传统集合、WeatherNext开源输出、雷达卫星、潮位雨量和企业传感器；保存每次预报版本，连续检验华南台风的路径、强度、风圈和降雨概率；只有达到本地回报检验门槛后，才把结果用于辅助决策，不能直接触发行政预警。

大亚湾石化区应把天气概率连接到工艺安全边界。石化码头停装卸、危化品船舶调度、塔器和临建设施加固、储罐液位调整、火炬与备用电源检查、非必要施工停止，都有不同准备周期。可为每项动作建立“最晚启动时间”和风险阈值，例如未来72小时某风速半径覆盖概率、累计降雨区间和风暴潮情景达到阈值时，生成建议清单，由企业和指挥部门复核。重点是提前组织有序降风险，而非等最高级别预警后集中停产。

惠州港和海上交通可将1000成员的路径与风圈叠加航道、锚地、泊位和船舶AIS数据，计算不同时间窗的不可作业概率，辅助安排大型船舶离泊、拖轮资源、锚地容量和港口复航顺序。惠州港总吞吐能力已超过1.8亿吨，部分石化专用码头承担大型项目原料入口，调度失误会沿供应链放大。概率产品应回答“何时有多大概率超过作业风限”，而不只是展示台风中心离港口多少公里。

电网和海上风电需要两套决策。陆上电网可把风圈、降雨和内涝概率映射至变电站、地下配电房、输电通道和抢修仓库，提前将发电车、排水设备、卫星通信和抢修队伍布置到最可能受损且道路仍可通达的位置。惠州过去已针对低洼配电设施提出防洪防涝管控，AI集合可进一步支持“哪一批设施先巡、哪条线路先备援”。海上方面，中广核惠州港口海上风电场装机100万千瓦、共104台机组，年发电量约30亿千瓦时。运维方可利用风速分布而非单一路径，安排人员撤离、风机停机、海缆与升压站检查，并在台风后根据受损概率排序无人机和船舶巡检。

城市排涝不能直接使用28公里全球网格。应把WeatherNext筛出的典型大尺度情景作为边界条件，驱动公里级乃至街区级降尺度、河网水动力和排水管网模型，再与潮位、水库、土壤含水量、泵站能力结合，形成道路积水和小区风险图。台风降雨与高潮位重叠时，外江水位可能限制排水；提前一天预判概率，可为水库预泄、河道清障、泵站预排和地下空间封控争取窗口，同时避免无差别预排带来的水资源浪费。

应急响应则要把概率变成预案演练。惠州现有防台实践已包括“六个百分百”、海上人员上岸、滨海景区关闭、抢险力量前置和易受灾村通信保障。新增一天的价值，在于把“全市统一动作”细化成分区、分行业、分时段动作。建议先选择大亚湾—惠东沿海走廊开展两个台风季的影子运行：AI只提供旁路建议，不改变正式指挥；事后逐场复盘命中率、虚警率、提前量和经济成本。待证据充分，再把经过验证的概率阈值写进行业操作卡和联合演练脚本。

真正的基础设施是决策链

WeatherNext最值得重视的地方，并非证明AI比传统气象学“更聪明”，而是把昂贵的概率计算变得足够快、足够大规模。对于惠州这样的沿海工业城市，24小时只有在被转化为船舶调度表、装置安全清单、抢修队伍位置、泵站运行曲线和人员转移顺序时，才是真正的预警能力。

因此，投入重点应放在本地验证、数据接口、行业阈值、责任边界和人机协同，而不是模型采购竞赛。官方预警仍必须由法定气象机构发布，人类预报员和行业专家仍是最终把关者。AI可以扩大人们看见不确定性的能力，但城市韧性最终取决于：看见风险之后，能否更早、更准确地行动。

参考资料

分享到