北京
每到台风季，我们总忍不住一遍遍刷新手机上的台风路径图：它到底会不会登陆？会擦过哪些地方？自己所在的城市会受影响吗？这些预报不仅关乎每个人的出行安排、渔船是否回港、学校要不要停课，更直接关系到国家层面的防灾部署和应急响应。但台风天生受制于大气系统的混沌特性：初始状态一丝微小的扰动，就足以让它偏离“预定”的路线。因此，预报员要回答的不只是“台风最可能往哪走”，更要判断“它还有可能往哪里偏”。这正是台风路径集合预报需要解决的核心问题。
▲2026年台风“巴威”
近年来，人工智能（AI）气象大模型发展迅猛，运行效率远超传统数值模式。但在预报台风这种路径“变幻莫测”的高影响天气时，光有“算得快”的本事还不够。要想真正派上用场，AI还得学会像经验丰富的预报员那样，合理评估各种初始条件的微小差异，最终给出一组“都有可能”的、令人信服的台风路径展望。
那么，一个更深层次的问题来了：我们能否让AI不仅能“算出台风往哪走”，更能像一位气象侦探那样，精准地“指认出”导致路径出现偏差的关键不确定性源头？
为攻克这一难题，在国家自然科学基金项目支持下，中国科学院大气物理研究所研究团队与复旦大学研究团队深度合作，以我国自主研发的AI气象大模型“FuXi”为核心，创造性引入具备物理机制的正交条件非线性最优扰动方法，联合研制了FuXi-CNOPs集合预报系统。该系统通过生成具有物理可解释性的初始扰动，实现了对台风路径多种可能走向的科学判断。大量台风个例的预报试验结果显示，其预报能力明显优于目前国际主流的ECMWF业务集合预报系统，从而为发展“可解释、可信赖”的AI气象预报提供了新的技术路径。
▲FuXi-CNOPs的计算流程图
FuXi-CNOPs探索出一条AI气象模型新载体与非线性动力理论深度融合的集合预报创新路径：它既充分继承了AI端到端快速推理、高效输出的技术优势，又依托O-CNOPs方法实现了对预报误差演化规律与关键敏感区的动力学刻画。二者的深度耦合，不仅能够直接推动台风等灾害性天气的预报技巧提升，更从底层逻辑上强化了AI预报结果的物理可解释性，打破了纯数据驱动模型的“黑箱”局限。相较于当前主流的纯生成式AI集合预报方案，该系统无需额外训练超大规模生成模型，在计算资源消耗、业务落地适用性上更具优势。面向未来，研究团队将在现有初始扰动构建的基础上，进一步引入模式扰动模块，实现初始误差与模式误差的协同表征与优化，有望进一步提升台风路径预报技巧，甚至强度预报的水平，并逐步将该技术体系拓展至其他高影响天气的集合预报场景。从长远来看，FuXi-CNOPs所承载的绝非单一技术环节的改进，更为业务预报提供了一条构建兼具高运行效率、强物理可解释性且业务实用性强的新一代智能集合预报系统的发展路径。
来源：中央广播电视总台
责任编辑：梁春雨
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
