多源数据联合训练
使AI模型同时学习全球大气动力学和热带气旋特有特征
将ECMWF ERA5再分析、HRES-fc0业务分析和IBTrACS热带气旋数据库进行联合训练（co-training），并将IBTrACS表格数据通过griddification映射为0.25°网格上的气旋存在概率场和条件标量场。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于人工智能的热带气旋业务预报
Operational tropical cyclone forecasting with AI
实验完整度
高基于全球分析数据与IBTrACS联合训练的AI模型，评估包含路径、强度、风圈半径、快速增强及概率校准等多层级验证
主要模型
WeatherNext Cyclones (WN-C) AI全球天气与气旋预报模型 ECMWF ERA5再分析和HRES-fc0分析数据 IBTrACS近5,000个历史热带气旋数据库 ECMWF ENS、GenCast和NOAA HAFS对比基线
重点核对
WN-C在2023–2025年热带气旋上评估，评估前模型在每年前一年年末数据上重新训练，保证严格时间分离 Homogeneous评估要求所有模型均对该气旋在该时效作出预报，且目标气旋在该时效处于活跃状态 配对评估使用提前6小时初始化并经TCVitals修正的early forecast，非配对评估使用未调整预报 快速增强定义为24小时内最大持续风速增加至少30 kt，评估窗口为预报前24小时 统计显著性采用bootstrap检验（1,000次重复，配对指标）和HAR推断（非配对指标）
摘要
热带气旋是最危险且损失最惨重的天气现象之一，但对其进行预报仍具挑战性。在此，我们介绍 WeatherNext Cyclones（WN-C），一种基于人工智能（AI）的业务化天气模型，可生成全球范围内热带气旋路径、强度和规模的最先进集合预报。WN-C 在结合全球分析数据和全球历史热带气旋数据库的基础上训练，可生成延伸到未来 15 天的大型全球天气和气旋情景集合。在 2023 至 2025 年的热带气旋上评估时，WN-C 的路径、强度和风圈半径预报相较领先的业务模式平均具有 1 天或更多的预报时效优势——准确度的提升相当于过去十年业务化发展所取得的进步。我们使用的输入比区域模式粗化数个数量级，这表明高分辨率并不是实现最先进强度预报的严格前提，这些粗分辨率大气数据所含的强度信号比此前认识的更多。将 WN-C 的预报纳入加权平均共识集合可显著提升其技巧。WN-C 的可扩展性使集合成员数可达 1,000 个，相比传统 50 成员集合能更好地捕捉罕见事件。通过向人类预报员提供先进的业务化集合指导，本工作代表着朝着更可靠、更及时的预报和预警迈出的跨越式一步，有助于保护生命并减轻热带气旋的破坏性影响。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- AI全球模型能否在不依赖高分辨率区域模式的情况下，同时实现热带气旋路径、强度和结构的最先进业务预报？
- 核心机制
- WN-C通过联合预测全球大气状态与气旋轨迹，并在ECMWF分析数据和IBTrACS气旋数据库上联合训练（co-training），使模型从粗分辨率大气场中学习到此前未被识别的强度信号。
- 主要证据
- 在2023–2025年热带气旋上评估，WN-C路径预报在5天时效平均误差230 km，优于ENS（370 km）和GenCast（335 km）；强度预报3天平均绝对误差比HAFS低3.75 kt；34 kt风圈半径误差低于ENS和HAFS。
- 研究意义
- WN-C表明高分辨率不是气旋强度精确预报的必要条件，粗分辨率大气数据含有更多强度信号；将WN-C纳入加权共识集合可显著提升预报准确性，为预报员提供更可靠及时的指导。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
概率建模与训练
捕捉认知不确定性和偶然不确定性，生成校准良好的集合预报
采用Functional Generative Networks（FGNs），通过条件归一化层注入低维高斯噪声向量扰动模型参数，使用fair CRPS（fCRPS）作为损失函数，训练4个独立初始化的深度集成模型，每个模型以6小时间隔自回归生成15天集合预报。
端到端气旋轨迹提取
从模型输出的网格化气旋场中重建表格形式的气旋轨迹
训练完成后，使用自定义的贪心直接追踪算法（direct tracker）将模型预测的气旋存在概率场和条件标量场反演为表格轨迹，包括气旋位置、最大持续风速、最低海平面气压、最大风半径和34 kt、50 kt、64 kt四象限风圈半径。
全球天气与气旋预报评估
验证WN-C在全球天气变量和热带气旋路径、强度、结构、快速增强及概率校准方面的技巧
在冻结所有设计选择后（2022年验证），评估2023年大气状态预测和2023–2024年气旋轨迹预测，2025年评估北大西洋和东太平洋NHC辖区业务运行版本。与ECMWF ENS、GenCast（经压力–风速关系去偏差）和NOAA HAFS进行配对和非配对评估。
共识集合增值评估
量化WN-C加入业务共识集合（TVCN和IVCN）后对路径和强度预报准确性的提升
将WN-C与NHC业务共识集合TVCN（路径）和IVCN（强度）进行加权平均，权重在2022年验证集上优化，优化目标为纬度和经度或强度的平均绝对误差（MAE），保持权重在不同预报时效和洋盆间恒定。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析与可视化 | Matplotlib | -- | -- |
| Cartopy | Met Office | -- | |
| Natural Earth底图 | Natural Earth | -- | |
| 气旋追踪 | TempestExtremes v2.1 | -- | -- |
| 模型训练 | AdamW优化器 | -- | -- |
| 模型训练与推理 | TPU v5p | -- | |
| TPU v6e | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 模型训练数据与联合训练 | ERA5再分析数据覆盖1979–2018年、HRES-fc0分析数据自2016年起、IBTrACS数据库包含近5,000个热带气旋跨度45年、co-training策略、griddification参数（ℓ=120 km、峰值1.0、掩膜半径120 km）、象限半径缺失值填补策略 阅读提示：Methods 'Training data'和'Griddification of cyclone best-track data'小节，Supplementary Table 2 |
| FGN概率建模与训练 | 低维高斯噪声向量维度32、fCRPS训练使用N=2集合成员、深度集成J=4、6阶段训练计划的具体步数和数据分辨率、模型参数约180 million、潜在维度768、图变换处理器24层、AdamW优化器权重衰减0.1、余弦学习率调度、批大小64 阅读提示：Methods 'Functional generative networks'、'Reparametrization trick and CRPS marginal training'和'Training schedule'小节，Supplementary Table 1 |
| 气旋直接追踪算法 | 动量外推因子0.9、mode-then-mean搜索半径250 km、耗散阈值10^-5和耗散半径500 km、修剪操作距离阈值500 km、气旋生成5°×5°网格和存在概率阈值0.3、气旋生成最小持续时间2.5天、标量提取双线性插值 阅读提示：Methods 'Cyclone tracking algorithm'和'Tuning the hyperparameters of the direct tracker'小节 |
| 评估协议与业务时效调整 | 2022年为验证年、2023年大气状态评估、2023–2024年气旋轨迹评估、2025年NHC北大西洋和东太平洋辖区评估、每年重新训练至前一年年末、配对评估使用TCVitals修正的early forecast且α(t)在48小时内从1线性衰减至0、非配对评估使用未调整预报、Homogeneous评估条件、仅评估热带和副热带系统、bootstrap检验1,000次重复、HAR推断 阅读提示：Methods 'Evaluation protocol'、'Operational latency adjustment'、'Early forecast construction via interpolation'和'Statistical tests'小节，Extended Data Fig. 3 |
| 共识集合增值评估 | 权重在2022年北大西洋和东太平洋验证集上优化、MAE损失、Adam优化器学习率10^-2、10,000步、WN-C纬度权重75%/经度权重89%/强度权重42%、权重在不同预报时效和洋盆间恒定、与NHC a-decks的TVCN和IVCN官方版本对比 阅读提示：Methods 'Details of the consensus ensemble method'小节，Fig. 5 |