行业趋势：气象服务智能化转型加速 - 在全球变暖背景下，高温、暴雨、强对流等灾害的突发性与破坏性显著增强，对气象预报预警的精准度、时效性提出更高要求，推动气象服务加速向智能化转型 [1] - 人工智能正深度融入气象服务的全链条，自动化、数字化、智能化的服务范式成为主流 [2] - 人工智能技术以其高效的计算和多源数据融合能力，正成为连接气象预报、灾害预警和应急响应的关键纽带，是突破传统预报局限的关键 [4] - 未来，人工智能预报模型将和数值预报模式形成相互补充、双轮驱动的工作格局 [7] 公司动态：中国气象局发布五大AI模型 - 中国气象局发布新的气象人工智能科学模型“风源”，并实现“风清”、“风雷”、“风顺”3款气象人工智能预报模型的同步升级 [1] - 加上前不久刚刚发布面向气象服务领域的千亿参数语言模型“风和”，五大模型分工协作，正以更贴心的气象预报预警能力，加速赋能千行百业高质量发展 [1] - 中国气象局近期发布《地球系统预报发展战略(2025—2035年)》，提到将大力推进数值预报与人工智能的深度融合，开发共性技术和共享平台 [7] 产品与技术：模型功能与应用场景 - “风和”是面向气象服务领域的千亿参数语言模型，可覆盖交通、旅游、健康、物流、能源等多个与天气密切相关的场景，为用户提供基于智能分析的个性化解决方案 [1][2] - “风顺”是人工智能全球次季节—季节预测系统，精准锚定农业、新能源、水利等行业的核心需求，新增日最高/最低气温、太阳辐射等10余项关键气象要素 [3] - “风清”可精准捕捉台风、暴雨等灾害性天气，输出13层高空要素与11类地面要素预报，已实现业务化部署并向全国推广，广泛应用于防灾减灾、光伏风电调度、航空运行保障等关键场景 [3] - “风雷”模型聚焦雷暴、短时强降水等灾害性天气的临灾预警，其回波预报产品可在几分钟内预测对流系统的新生与消散，强回波预报质量提升超过25% [4] - “风源”模型获取观测数据后，无需经过复杂的数据同化等中间流程，可直接分析并给出精准的天气预报，在预测时能智能关联周边相邻区域的气象信息 [4] 运营与效能：AI模型带来的效率与精度提升 - “风和”通过学习海量历史气象数据，精准理解和掌握大气运动规律，从而根据当前气象状态提供更精准的预报，实现高分辨率、高效率、快速响应的智能气象服务 [2] - “风清”模型仅需3分钟即可生成未来15天全球天气预报，大幅缩短了预报产品迭代周期，为灾害应急响应、实时决策提供了关键时间窗口 [7] - 升级推出的“风雷”定量降水预报模型，已在多次极端天气过程中展现出精准的预报能力，例如成功预警“6·29”北京突发强对流，在“6·30”河南南阳极端暴雨过程中提前2小时预报出超过120毫米的强降雨 [4] - 人工智能预报模型不仅能够凭借对海量多源数据的深度挖掘能力，有效提升预报的精准度与覆盖范围，还在计算效率上实现了指数级提升，突破传统数值预报的算力依赖 [7] 战略与展望：技术驱动与体系化发展 - “风源”旨在探索AI做天气预报的更多理论可能性，通过开源开放汇聚研发力量，并在技术成熟后再“反哺”给业务预报，不断提升对极端天气特别是短时临近天气的捕捉能力 [5][6] - 可以预见，人工智能预报模型将为地球系统预报实现更高分辨率、更长预见期、更复杂圈层耦合的跨越式发展提供强大的技术驱动力 [7] - 气象部门将持续优化人工智能预报体系，探索建立一体化的气象人工智能模型，通过整合各类天气尺度、应用场景的人工智能力量，面向防灾减灾、气候变化以及经济社会发展提供更高水平服务 [7]

行业背景与转型驱动 - 全球变暖背景下，高温、暴雨、强对流等灾害的突发性与破坏性显著增强，对气象预报预警的精准度和时效性提出更高要求，推动气象服务加速向智能化转型 [2] 核心产品与模型矩阵 - 中国气象局发布新的气象人工智能科学模型“风源”，并同步升级“风清”、“风雷”、“风顺”3款模型，加上此前发布的千亿参数语言模型“风和”，形成5大模型分工协作的体系 [2] - “风和”是面向气象服务领域的千亿参数语言模型，通过学习海量历史气象数据精准掌握大气运动规律，提供高分辨率、高效率、快速响应的智能气象服务 [3] - “风顺”是人工智能全球次季节—季节预测系统，升级后新增日最高/最低气温、太阳辐射等10余项关键气象要素，精准锚定农业、新能源、水利等行业核心需求 [4] - “风清”模型可精准捕捉台风、暴雨等灾害性天气，输出13层高空要素与11类地面要素预报，已实现业务化部署并向全国推广 [4] - “风雷”模型聚焦雷暴、短时强降水等灾害性天气的临灾预警，其回波预报产品可在几分钟内预测对流系统的新生与消散，强回波预报质量提升超过25% [5] - “风源”模型可直接读取来自卫星、雷达、气象站等实时观测数据，无需复杂的数据同化中间流程，能智能关联目标区域及周边气象信息，旨在探索AI做天气预报的更多理论可能性 [5][6] 技术优势与性能表现 - 人工智能技术以其高效的计算和多源数据融合能力，正成为连接气象预报、灾害预警和应急响应的关键纽带 [5] - “风清”模型仅需3分钟即可生成未来15天全球天气预报，大幅缩短了预报产品迭代周期，计算效率实现指数级提升，突破传统数值预报的算力依赖 [7] - “风雷”定量降水预报模型在多次极端天气过程中展现出精准预报能力，例如成功预警“6·29”北京突发强对流，并在“6·30”河南南阳极端暴雨过程中提前2小时预报出超过120毫米的强降雨 [5] 应用场景与行业赋能 - 人工智能深度融入气象服务全链条，自动化、数字化、智能化的服务范式成为主流 [3] - “风和”模型能覆盖交通、旅游、健康、物流、能源等多个与天气密切相关的场景，为用户提供基于智能分析的个性化解决方案 [3] - “风顺”模型新增日最高气温判断指标后，应对农业气象灾害的能力将显著提升，以更精细化的气象服务护航农业生产 [4] - “风清”模型广泛应用于防灾减灾、光伏风电调度、航空运行保障等关键场景 [4] 发展战略与未来展望 - 中国气象局发布的《地球系统预报发展战略（2025—2035年）》提出，大力推进数值预报与人工智能的深度融合，开发共性技术和共享平台 [7] - 人工智能预报模型将为地球系统预报实现更高分辨率、更长预见期、更复杂圈层耦合的跨越式发展提供强大的技术驱动力 [7] - 未来，人工智能预报模型将和数值预报模式形成相互补充、双轮驱动的工作格局，气象部门将持续优化人工智能预报体系，探索建立一体化的气象人工智能模型 [7]

行业趋势与政策驱动 - 全球变暖导致高温、暴雨、强对流等灾害的突发性与破坏性显著增强，对气象预报预警的精准度、时效性提出更高要求，推动气象服务加速向智能化转型 [1] - 中国气象局发布《地球系统预报发展战略（2025—2035年）》，提出大力推进数值预报与人工智能的深度融合，开发共性技术和共享平台，以提升对地球系统多尺度、多圈层相互作用的模拟和预测能力 [7] - 人工智能技术以其高效的计算和多源数据融合能力，正成为连接气象预报、灾害预警和应急响应的关键纽带，是突破传统预报局限的关键技术 [4] - 未来，人工智能预报模型将和数值预报模式形成相互补充、双轮驱动的工作格局，气象部门将持续优化人工智能预报体系，探索建立一体化的气象人工智能模型 [7] 核心产品与技术突破 - 中国气象局发布新的气象人工智能科学模型“风源”，并实现“风清”、“风雷”、“风顺”3款气象人工智能预报模型的同步升级，加上此前发布的千亿参数语言模型“风和”，形成5大模型分工协作的体系 [1] - “风源”模型可直接读取来自卫星、雷达、气象站等实时观测数据，无需经过复杂的数据同化等中间流程，直接分析并给出精准的全球气象预报，旨在探索AI做天气预报的更多理论可能性 [4][5] - “风清”模型可精准捕捉台风、暴雨等灾害性天气，输出13层高空要素与11类地面要素预报，该模型已实现业务化部署并向全国推广 [3] - “风清”模型仅需3分钟即可生成未来15天全球天气预报，大幅缩短了预报产品迭代周期，在计算效率上实现了指数级提升，突破传统数值预报的算力依赖 [7] - “风雷”模型聚焦雷暴、短时强降水等灾害性天气的临灾预警，其回波预报产品可在几分钟内预测对流系统的新生与消散，强回波预报质量提升超过25% [4] - 升级后的“风顺”模型精准锚定农业、新能源、水利等行业核心需求，新增日最高/最低气温、太阳辐射等10余项关键气象要素 [3] - “风和”是面向气象服务领域的千亿参数语言模型，通过学习海量历史气象数据，精准理解和掌握大气运动规律，以提供高分辨率、高效率、快速响应的智能气象服务 [2] 应用场景与业务赋能 - 人工智能正深度融入气象服务的全链条，自动化、数字化、智能化的服务范式成为主流，应用从面向公众的个性化出行、健康指引，到支撑农业、能源、交通等重点领域的精益化运营决策 [2] - “风和”模型能覆盖交通、旅游、健康、物流、能源等多个与天气密切相关的场景，为用户提供基于智能分析的个性化解决方案 [2] - “风清”模型广泛应用于防灾减灾、光伏风电调度、航空运行保障等关键场景 [3] - “风顺”模型新增日最高气温判断指标后，应对农业气象灾害的能力将显著提升，能以更精细化的气象服务护航农业生产 [3] - “风雷”定量降水预报模型已在多次极端天气过程中展现出精准的预报能力，例如成功预警“6·29”北京突发强对流，并在“6·30”河南南阳极端暴雨过程中提前2小时预报出超过120毫米的强降雨 [4]

“妈祖”(MAZU)平台全球推广与落地 - 中国气象局推出的“妈祖”(MAZU)全民早期预警云平台，作为中国气象人工智能方案，正服务于全球防灾减灾与应对气候变化[1] - 该平台已在巴基斯坦、埃塞俄比亚、所罗门群岛、吉布提、蒙古国5个国家实现落地部署与实时应用，并在亚洲、非洲、大洋洲的43个国家和地区开展在线试用[5] - 平台提供多版本服务，包括云端版、基础版、专业版、旗舰版、城市早期预警版、农业早期预警版等，适配多种灾害和风险场景[4] 技术方案与定制化应用 - “妈祖”平台通过建设云端早期预警平台，为各国提供定制化“工具箱”，实现气象风险监测、预警、发布、响应全链条“一站式”解决[3] - 针对巴基斯坦的冰湖溃决洪水、季风爆发、暴雨等灾害定制了预报预警系统，并于2025年10月实现本地部署应用[3] - 为蒙古国接入风云2H气象卫星积雪数据，针对大风、暴雨、沙尘和白灾等设计工作流提示词，生成当地语言避险指引[3] - 为老挝定制了一揽子多语种预警信息发布服务方案，以应对洪水、干旱等灾害[4] - 平台坚持“算法出海，本地调试”模式，以尊重并保护各国的气象数据主权[10] 核心技术突破与研发 - 为攻克极端天气预报难题，国家气象中心研发了时空演变特征捕捉算法，通过样本加权与特征增强技术，提升AI对极端天气的感知与识别能力[8] - 针对生成式AI的“幻觉”问题，采用物理与数据双驱动技术路线，将大气动力学方程和物理约束嵌入神经网络，确保预报符合物理规律[9] - 上海人工智能气象应用创新中心提出“确定式+概率式”级联方案，并设计基于概率匹配的学习方法，让模型重点关注历史案例中的“异常点”[9] - 在网络薄弱地区，采用数据裁切压缩算法大幅减少传输量，提升传输效率[10] - 通过SWAN3.0“智效平台”将AI推理结果转化为直观的决策依据，嵌入一线预报员工作流[10] 产品性能与优势 - “风清”人工智能气象预报系统计算10公里格点的全球预报，仅需半小时出结果，达到国际主流模型水平，而数值预报需要2小时[15] - “风雷”人工智能模型可提前1小时捕捉到伴随大风、小冰雹、短时强降雨的强对流天气信号[15] - 在2025年汛期预报中，“风顺”人工智能模型提前1个月把握住了中国主要雨带的分布特征，超过世界领先的欧洲中心现有数值预报模式水平[15] - 2025年10月发布的“风和”气象服务人工智能模型拥有强大的专业任务解决能力，即将接入“妈祖”云平台[11] 国际合作与能力建设 - 中国气象局通过培训班、访问学者等措施帮助各国培养专业人才，预计2025年至2027年为发展中国家提供2000人次以上短期培训，100人次相关专业本硕博奖学金，资助50名长期访问学者[6] - 2025年，埃塞俄比亚气象局专家与中国团队合作开发出雨季预测模型，准确率达到65%以上[6] - 合作被纳入多项国际倡议与行动，包括中非合作论坛北京峰会“十大伙伴行动”、《早期预警促进气候变化适应中国行动方案（2025—2027）》、中国—阿拉伯国家博览会三项合作举措、中国—东盟气象人工智能模型应用联合创新行动等[15] - 中国气象局正牵头实施世界气象组织首个全球人工智能示范项目，联合国内外20余个气象部门、科研机构及科技巨头共同推进[15] 行业基础与综合实力 - 中国已建成世界最大的气象观测网，风云气象卫星可进行分钟级多要素三维立体监测，数值预报模式实现完全自主可控[14] - 中国自主研发的人工智能气象模型，与欧美发达国家模型共同领跑人工智能技术气象应用[14] - 高水平科技自立自强、业务能力和人才，支撑了全球观测、全球预报、全球服务的能力[14]

核心观点 - 中国气象局通过“妈祖（MAZU）”全民早期预警云平台，将气象人工智能解决方案输出至全球40多个国家，为全球防灾减灾和应对气候变化提供中国方案 [1][2][5] 产品与服务 - “妈祖”平台是一个多灾种、预警、零差距、普惠的全民早期预警方案，提供定制化“工具箱”，实现气象风险监测、预警、发布、响应全链条一站式解决 [3] - 平台服务场景广泛，包括云端版、基础版、专业版、旗舰版、城市早期预警版、农业早期预警版等，适配多种气象灾害和风险场景 [4] - 中国气象局坚持模型开源、平台共享、数据开放，各国可直接云端使用或合作部署落地 [6] - 2024年6月发布的“风清”、“风顺”人工智能气象预报系统已全部接入“妈祖”平台 [4] - 2025年10月发布的“风和”气象服务人工智能模型即将接入平台，为各国提供定制化服务方案 [12] 市场拓展与部署 - “妈祖”已在巴基斯坦、埃塞俄比亚、所罗门群岛、吉布提、蒙古国5个国家实现落地部署与实时应用 [5] - 在亚洲、非洲、大洋洲的43个国家和地区开展在线试用 [5] - 在巴基斯坦，针对冰湖溃决洪水、季风爆发、暴雨定制预报预警系统，并于2025年10月实现本地部署应用 [3] - 在蒙古国，部署了“妈祖”城市多灾种早期预警智能体，集成风险评估、监测预报等四大支柱工具，并于2025年10月完成本地部署 [3][4] - 在老挝，定制了多语种预警信息发布服务方案 [4] - 合作通过多项国际论坛与协议推进，包括中非合作论坛、联合国气候变化大会、中国—阿拉伯国家博览会、中国—东盟气象合作论坛等 [16] 技术能力与研发 - 针对极端天气预报难题，研发了时空演变特征捕捉算法，通过样本加权与特征增强技术，提升模型对极端天气的感知与识别能力 [7][8] - 针对生成式人工智能的“幻觉”问题，采用物理与数据双驱动技术路线，将大气动力学方程和物理约束嵌入神经网络，提升预报科学性 [9] - 提出“确定式+概率式”级联方案，并设计基于概率匹配的学习方法，让模型关注历史案例中的“异常点”，抑制“幻觉”产生 [9] - 为应对网络薄弱地区的挑战，采用数据裁切压缩算法大幅减少传输量，提升传输效率 [11] - 采用“算法出海，本地调试”模式，尊重并保护各国的气象数据主权 [11] - 通过SWAN3.0“智效平台”将人工智能推理结果转化为直观的决策依据，嵌入一线预报员工作流 [11] 性能表现 - “风清”人工智能模型计算10公里格点的全球预报，仅需半小时出结果，达到国际主流模型水平，而数值预报需要2小时 [16] - “风雷”人工智能模型可提前1小时捕捉到伴随大风、小冰雹、短时强降雨的强对流天气信号 [16] - “风顺”在2025年汛期预报中，提前1个月把握住了中国主要雨带的分布特征，超过世界领先的欧洲中心现有数值预报模式水平 [16] - 与埃塞俄比亚合作开发的雨季预测模型，准确率达到65%以上 [6] 行业地位与基础设施 - 中国已实现作为气象“芯片”的数值预报模式的完全自主可控 [15] - 中国自主研发的人工智能气象模型，与欧美发达国家模型共同领跑人工智能技术气象应用 [15] - 拥有世界最大的气象观测网，风云气象卫星可进行分钟级多要素三维立体监测 [14] - 高水平科技自立自强、业务能力和人才，支撑全球观测、全球预报、全球服务 [15] - 牵头实施世界气象组织首个全球人工智能示范项目，联合国内外20余个气象部门、科研机构及科技巨头共同推进 [16] 能力建设与人才合作 - 通过培训班、访问学者等措施帮助合作国培养专业人才 [6] - 2025年，缅甸气象局预报员作为“一带一路”气象访问学者来华交流，未来将共同研发热浪等灾害预报模型 [6] - 预计2025年至2027年，将为发展中国家提供2000人次以上的短期培训，100人次相关专业的本硕博奖学金，资助50名长期访问学者 [6]

行业背景与政策支持 - 中国气象局在“十四五”期间组建了一批覆盖气象科研业务服务核心领域的重点创新团队，旨在解决关键核心领域“卡脖子”问题，加快实现高水平气象科技自立自强 [1] - 团队建设以《气象高质量发展纲要（2022—2035年）》为指引，目标是推动天气预报向“无缝隙—全覆盖、自动—智能、精细—数字”模式发展 [3] 核心技术突破与研发 - 团队核心目标是构建降水、温度、风等关键气象要素的高时空分辨率智能网格预报业务，推动天气预报分辨率迈向公里级，更新频率达到分钟级 [3] - 在0-24小时短时临近预报领域，团队研发了基于频谱生成对抗网络和多尺度分组鉴别器的强降水临近预报模型，在江苏、浙江、广东等地应用后，强降水及强阵风预报评分提升10%以上 [3] - 针对1-10天短中期预报，团队研发了基于随机森林的滑动时间窗和区域回归预报方法，并提出了动态垂直变率降尺度技术（DRD），与欧洲中期天气预报中心模式相比，风速和气温的预报性能分别提升34%和30% [4] - 团队联合清华大学组建跨学科攻关小组，共同打造了人工智能全球中短期预报系统“风清” [4] - “风清”系统于2024年6月成为我国首个业务化应用的人工智能天气预报模型，可在几分钟内生成0-15天、逐6小时更新、25公里分辨率的69项全球气象预报产品，有效预报天数达10.5天，性能跻身国际第一梯队 [5] 产品应用与实战表现 - “风清”系统在2024年第3号台风“格美”的预报中，提前5天锁定其登陆路径，并准确预测了横跨华南、华东、东北的弧状暴雨带及山东、辽宁等地的外围暴雨中心 [7] - 该系统在高温、寒潮等高影响天气预报中也发挥重要作用，并入选年度“中国十大气象科技进展” [7] - 团队研发的新一代公里级智能数字预报系统“NIMM”于2024年5月正式发布，集成30余种预报插件，实现了全流程自动化，支撑了国家级智能数字天气预报系统V2.0的重大升级 [8] - 团队技术成果已应用于杭州亚运会、成都大运会等重大活动气象服务保障，并在江淮强对流预警、华北暴雨防御、城市内涝预报及农业气象服务等多个场景提供支撑 [11] 合作模式与行业影响 - 团队通过与清华大学进行跨学科合作，催生了“风清”系统的核心架构 [11] - 与江苏、山东等省气象局的联动保障了技术更贴合业务需求 [11] - “风清”模型作为世界气象中心（北京）支持联合国全民早期预警倡议的重要行动之一，已向世界气象组织会员免费提供开源模型，提升了中国在国际气象领域的技术影响力 [11] 团队建设与人才成果 - 团队在3年建设期内，有8名青年科学家入选中国气象局“青年气象英才”，4人晋升正研级高级工程师，3人走上首席预报员岗位 [11] - 团队骨干成员已牵头组建中国气象局人工智能天气预报模型重点创新团队，并处在该领域的国际第一梯队 [14] - 团队在国际权威期刊发表多篇论文，并获得国家发明专利13项，登记软件著作权11项 [11]

地球系统预报发展战略核心规划 - 中国气象局发布《地球系统预报发展战略（2025—2035年）》，旨在将地球大气、海洋、陆地、冰冻圈和生物圈等多圈层作为一个相互耦合的整体进行综合模拟和预测 [1] - 与传统主要聚焦大气的预报相比，新体系通过融合数值模式、人工智能和数字孪生等先进技术，实现对多圈层相互作用及反馈机制的整体表征，并更注重风险形成、演变和影响评估 [1] - 该战略规划了八大重点任务，系统推进地球系统预报体系建设 [1] 战略发展目标与阶段 - 战略总目标是到2035年建成自主可控、国际先进的地球系统预报体系 [2] - 第一阶段（未来五年内）重点实现新一代预报模式的业务化运行，建成气象人工智能模型的统一基础框架，并发布第一代地球系统数字服务平台 [2] - 第二阶段（2030年至2035年）将全面建成统一框架的地球系统预报体系，显著提升对地球系统多尺度、多圈层相互作用的模拟和预测能力 [2] 八大重点任务内容 - 任务一：发展多圈层耦合的地球系统模式，以更全面反映地球各圈层相互作用 [3] - 任务二：重点研发气象人工智能模型，构建具备天气气候一体化预报能力的智能系统 [3] - 任务三：推进数值预报与人工智能深度融合，开发共性技术和共享平台 [3] - 任务四：建设地球系统数字基础设施，建立无缝隙智能预报业务体系，实现从分钟级到年代际的全尺度气象预报能力 [3] - 任务五：面向防灾减灾、气候变化及经济社会发展提供高水平服务，实现气象数据向应用价值的有效转化 [3] - 任务六：强化科技创新资源配置，打造高效协同的地球系统预报创新发展机制 [3] - 任务七：扎实推进高水平人才队伍建设，建立完备的人才培养和评价体系 [3] - 任务八：强化国际合作与交流，促进数据和技术资源共享 [3]

行业技术发展 - 天气预报技术正从小时级向分钟级延伸，并依托陆海空天一体化观测实现预警信息的精准推送[1] - 中国已建成由22颗风云气象卫星组成的天基观测网，实现对台风、寒潮、暴雨等天气系统的全天候全覆盖观测[5] - 人工智能技术在气象领域进入爆发期，行业研发了如“风清”等人工智能全球中短期预报系统，可生成0至15天、逐6小时更新、25公里分辨率的69项全球气象预报产品[9] 关键人物与团队贡献 - 国家气候中心首席预报员高辉及其团队在2016年通过对比分析，准确预测了气候状况，为防汛抗旱决策提供了科学依据[3] - 国家卫星气象中心工程师漆成莉承担了风云三号卫星红外分光计定标业务系统研发，其工作确保了卫星数据的绝对可靠，风云三号D星的成功发射填补了我国在高光谱大气探测领域的空白[7][8] - 国家气象中心曹勇牵头组建人工智能天气预报模型研发团队，并与清华大学联合研发了“风清”系统，该系统在2024年7月华北暴雨预报中表现精准[9][10] 研发历程与挑战 - 气象卫星仪器的定标工作被比喻为打造精准刻度尺，过程无先例可依且受太空环境因素影响，研发需经历长期地面测试与算法调整[7] - 风云三号A星在2008年5月27日成功发射，提升了我国中长期天气预报能力[8] - 人工智能模型研发面临做出“差异化”的挑战，曹勇团队确定了“物理机理+数据驱动融合”的技术框架，旨在让人工智能理解气象物理机理[10] 机构合作与布局 - 中国气象局与河北雄安新区管委会于2024年1月签订备忘录，共建雄安气象人工智能创新研究院，推动构建气象人工智能产学研用一体化格局[10] - 研发团队的工作地点转移至雄安，旨在集中力量进行气象人工智能模型的研发攻坚[9][10]

研究背景与挑战 - 数值天气预报（NWP）是天气预报领域的主流手段，通过求解大气动力学方程组模拟温度、气压、风速等关键变量的演变过程[1] - 现有AI气象模型假设所有气象变量在训练和预测时可同步获取，但实际观测数据来源多样、采集频率不一，存在数据异步性问题[2] - 数据异步性导致模型引入新变量时必须全量重新训练，带来极高的计算成本[2] 核心技术：VA-MoE模型 - 研究团队设计了“增量天气预报（IWF）”新范式，推出“变量自适应专家混合模型（VA-MoE）”[2] - 模型通过分阶段训练与变量索引嵌入机制，引导不同专家模块专注特定类型气象变量[1][2] - 当新增变量或站点时，无需全量重训即可实现模型扩展，在保障精度的同时大幅降低计算开销[1][2] - 模型以Transformer为核心backbone，并针对气象数据的多尺度、强关联特性做了关键优化[11] - 采用“多任务联合损失”机制，兼顾预报精度与物理一致性，包含动态预测损失和重建损失两个核心部分[14] - 构建“专精+协同”的专家体系，为每类变量配置独立的“通道自适应专家”，并设置“共享专家”模块整合局部信息[15] 实验设计与数据 - 研究以欧洲中期天气预报中心（ECMWF）发布的ERA5数据集为实验基础，覆盖1979年至今的连续气象观测数据[5] - 常规实验采用0.25°空间分辨率（对应网格尺寸721×1440），消融实验采用1.5°分辨率版本（网格尺寸128×256）[5] - 数据集划分为高空变量（Z、Q、U、V、T等5种类型，定义在13个不同气压层上）和地面变量（T2M、U10、V10、MSL、SP等）[6][9] - 初始训练阶段采用1979-2020年的40年数据，增量训练阶段使用2000-2020年的20年数据，测试阶段选取2021年全年数据[8] 性能验证结果 - 在地面与高空变量预测中，VA-MoE的预测精度与Stormer、GraphCast相当，并显著优于ClimaX、FourCastNet等模型[18] - 基于40年数据以增量模式训练的VA-MoE，仅需标准迭代次数的一半即可达到相近精度[20] - 即使数据缩减至20年、迭代次数降至四分之一，模型仍可维持业务可用的精度[20] - 在500hPa位势高度（Z500）的长期预报中精度有所提升，验证了其“学新不丢旧”的能力[20] - 与视觉Transformer及其专家扩展版本对比，VA-MoE精度显著更高，尽管参数量接近VA-MoE的两倍[21] 行业发展趋势 - 全球学术界与企业界正形成合力，持续推动气象建模范式的深度革新[22] - 剑桥大学、艾伦·图灵研究所与微软研究院联合开发的“Aardvark Weather”实现了从多源观测数据到高分辨率预报的直接映射[23] - 复旦大学联合多家机构研发的FuXi-Weather系统实现了从卫星亮温到预报结果的完整端到端建模[24] - 谷歌DeepMind的GraphCast可在1分钟内完成未来10天的全球天气预报，在1380个测试变量中超过90%的指标精度优于HRES系统[25] - 微软的Aurora大模型在天气、空气质量与海浪预测等多任务中实现89%的综合准确率，计算速度较传统数值模型提升5000倍[25]