科技导报

天气预报有望突破2周的预报上限

PDF下载

VoosenPaul

科技导报 | 科技新闻 2025,43(11): 14-15

收起

科技导报 |科技新闻 2025 , 43 (11) : 14 -15

天气预报有望突破2周的预报上限

全屏

VoosenPaul

作者信息

Paul Voosen

Affiliations

出版时间: 2025-06-13

文章导航

摘要

收起

自现代天气预报发展以来，就有这样一种论断：由于大气中的小尺度扰动会不断积聚，超过2周的天气预报都会失效。欧洲中期天气预报中心（世界领先的天气预报机构）地球系统建模负责人Peter Dueben表示，基于20世纪60年代混沌理论和“蝴蝶效应”提出的2周上限已成代代传承的真理，“如今似乎已成天经地义的法则”。

引用本文

VoosenPaul. 天气预报有望突破2周的预报上限. 科技导报, 2025 , 43 (11) : 14 -15 .

Paul Voosen. Science & Technology Review, 2025 , 43 (11) : 14 -15 .

正文

收起

AI模型表明“蝴蝶效应”的真实限制仍未可知

然而，即使是“天理”，也不可能完全正确。

借助谷歌开发的人工智能（AI）天气预报模型，大气科学家认为，未来有望实现1个月甚至更长时间的预报。这项研究于2025年4月以预印本形式发表在arXiv上。研究负责人、华盛顿大学博士研究生Trent Vonich表示，“目前尚未得出准确的预报上限，只是我们的计算能力已达到极限”。俄克拉荷马大学计算机科学家、气象学家Amy McGovern表示，Vonich与其导师Gregory Hakim在2025年美国气象学会年会上报告该成果后，引起学界热烈反响。利用计算机模型，研究人员已将有效预报时效延长至约10天，逐步接近2周的上限。她指出，若证明可以从原则上突破这一上限，“意味着AI终将实现，这着实令人振奋”。

但这项研究也存在局限性。慕尼黑路德维希-马克西米利安大学大气科学家Tobias Selz指出，该研究并未实际做出2周以上的天气预报，仅用历史数据测试模型。另一方面，如Selz等在2023年的一项研究（发表于《Geophysical Research Letters》）中论证指出，AI模型忽略了大气的小尺度扰动，例如蝴蝶振翅般的微小影响，而这类扰动被认为会产生“滚雪球效应”，进而影响预报上限。“对于利用AI模型论证天气可预报性是否可靠，我仍持保留态度。”

天气预报具有内在的可预测上限，这一理念由麻省理工学院（MIT）著名数学家、气象学家Edward Lorenz首次提出。他在1963年的一篇论文中指出，在描绘大气或类似混沌系统的初始状态时，即使存在微小差异，最终也可能导致预报结果大相径庭。在1969年的另一篇论文中，他提出，由于小尺度误差会迅速增长，即便初始状态近乎完全可知，系统仍存在可预报性上限。

然而，Lorenz实际并未明确2周这一具体时限。在一项最新的历史研究中，负责人圣地亚哥州立大学数学家Bo-wen Shen指出，Lorenz提出了多个可能的极限值，但并未明确具体时限。2周可预报上限的理论实则源自MIT的Jule Charney等先驱学者，大约在同一时期，这批学者对世界首个数值天气预报模型的预测能力进行了评估。Shen还指出，Lorenz于1969年开展的建模实验中，其所采用的方程式对输入数据极为敏感，Shen对此质疑，认为“蝴蝶效应”可能是一个伪命题。他表示，无论如何，2周可预报上限的理论仍缺乏事实依据，“这一理论并非客观的物理定律，而是一种经验假说”。

Vonich和Hakim利用谷歌的AI模型GraphCast开展了一项最新研究，该模型训练基于40年“再分析数据”，即结合观测数据和短期模型预报生成的高分辨率全球天气数据。这项研究旨在了解在大幅提升初始条件（起始状态）准确性的情况下，GraphCast的预测表现。

为此，Vonich和Hakim比较了根据“再分析数据”得出的大气最终状态以及GraphCast的预报结果，而预报偏差可用于调整模型初始条件，使其更接近大气的真实状态。业务天气预报模型也可以通过类似方式逆向调整。然而，回溯12 h以上所需的计算量会急剧增加。相比之下，Graph‐ Cast的架构设计使其能够轻松运行数千次回溯分析，甚至可回溯更长时间的数据，从而锁定最接近实际情况的大气初始状态，Hakim表示，“这相当于把答案直接呈现在我们面前”。

采用经训练的初始条件，GraphCast的10天天气预报准确率平均提升了86%，Vonich表示，这是天气预报领域的一次“巨大飞跃”。更值得注意的是，该模型展现出预报未来33天以上天气的潜力。Hakim最初对此难以置信，他感叹道，“这几乎违背现实，但结果就摆在眼前，而且经得起重复验证”。

此外，Vonich和Hakim对模型调整初始条件的方式进行了校验，以免其作出违反实际的修改。研究发现，该模型对大尺度温度等参数进行了小幅调整，并强化了传统天气预报模型常会抑制的风场类型。加州理工学院计算机科学家Animashree Anandkumar指出，只要充分掌握数据，AI就能克服传统模型固有的近似值和误差问题，“唯有摒弃一切成见，才有可能转变思路”。

然而，Selz指出，目前没有证据表明模型调整后的初始条件更接近大气的真实状态。这些调整可能只是为GraphCast预报创造了一个理想的初始状态，形成某种自我兑现的预言。Selz猜测，如果受到任何扰动，延长的预报窗口可能会再次关闭，“而这正是‘蝴蝶效应’所揭示的现象”。

Dueben认为，尽管如此，这项研究对传统认知提出了诸多质疑。一直以来，Dueben始终对“蝴蝶效应”在天气预报领域的适用性持怀疑态度，他表示，“认为仅凭小尺度扰动就能影响甚至突破可预报上限，这种观点可能过于狭隘”。对此，美国海军研究实验室研究气象学家James Doyle表示赞同，他认为，Lorenz关于微小误差会不断扩散的看法不无道理，“但其影响程度仍有待商榷”。

目前，由于缺乏比现有卫星和气象探测气球更精确的大气观测工具，长达1个月的天气预报仍面临挑战。但Doyle指出，如果这一新的预报时限成为可能，那么当下更应该加快气象研究的步伐，“这项研究告诉我们，通过拓展模型的能力边界，天气预报还能实现更多突破”。

（译自《Science》，2025，388（6749））

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

2025年第43卷第11期

PDF下载

645

328

引用本文

BibTeX

文章信息

首发时间：2025-12-15
出版时间：2025-06-13

补充材料

相关文章

文章信息

作者

出版历史

基金

作者信息

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kjdb/CN/1207358804434461579

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT