科学网—欧洲中期天气预报中心突破了什么？
精选
已有 67 次阅读
2026-8-3 22:35
| 个人分类: 文章 | 系统分类: 海外观察
7月20日，欧洲中期天气预报中心（ECMWF）正式发布了一项突破性成果——“利用机器学习仅通过观测资料生成全球再分析产品”。该成果介绍了 ECMWF开发的新人工智能预报系统 AIFS-DOP，被认为是 AI应用于天气预报领域的又一项开创性进展。
AIFS-DOP到底做了什么呢？简而言之，该模型直接利用空间稀疏、观测要素多样、长时间序列的观测资料，通过机器学习方法，最终形成了具有一定动力与热力协调性的全球大气要素连续状态格点分析场。也就是说，AIFS-DOP并未通过求解原始物理方程，却能生成大致符合地转平衡、温度—风场关系以及不同变量协同变化的连续大气要素场。
这表明神经网络学到的不只是简单的大气变量统计关系，而是可以构建符合大气变量相互约束和演变规律的基本要素场，在隐空间中形成某种能够连接不同变量、不同位置和不同时刻的地球系统特征。
现代天气、气候研究和应用面临的基础课题之一，是如何解决长时间序列的基本资料问题。大气是连续变化的三维流体，但日常所获得的观测资料在时间、空间和要素变量上始终不完整，给应用过程增加了难题。
20世纪50年代，大气科学在数值预报领域取得了突破，完成了一场“寂静革命”，开启了延续至今的定量化气象预报时代。20世纪80年代，伴随数值预报算法的逐步改进和各类观测数据的积累，再分析方法应运而生。通过数值模式分析处理，将通过气象卫星、气象雷达、探空、地面气象站、飞机、船舶和浮标等方式获取的海量观测资料，重新构建成长时间序列的全球大气状态数据集。
欧洲、美国、日本、中国等都先后发展了再分析数据系统，为天气、气候研究与业务提供了重要支撑。如欧洲中期天气预报中心当前使用的 ERA5再分析资料，成为构建天气预报 AI模型的重要训练数据源，多个著名的气象 AI模型最初都是以这个数据集为基础开展训练的。
再分析方法的核心优势是显式物理约束，数值模式在计算分析过程中维持了变量之间的动力和热力协调关系。
然而，这套系统也很复杂——将特质各异的众多数据塞进一个巨大的物理模型中，通过复杂的数学运算构造成一张时空连续的全球大气演变场，不仅要逐时运行数值模式，还要不断迭代资料同化，产生几十年再分析产品的过程耗时长、成本高，且模型的任何“偏见”都会永久留在数据档案中。
随着 AI技术快速发展，研究人员提出一个问题，即人工智能能否跳过再分析过程，直接从观测数据中学习地球大气的状态及其演变？AIFS-DOP恰好回答了这一问题。
AIFS-DOP不以 ERA5等再分析资料作为训练目标，而是直接利用1980—2022年的气象卫星、地面气象站、探空、飞机等多源观测资料，学习温度、气压、湿度和风场之间的时空关系，并以6小时为间隔连续重建全球大气状态。
在约112公里分辨率下，系统用一天完成了42年全球大气再分析，较好再现了急流、风暴轴、ENSO和南极极涡分裂等大尺度结构与事件。
独立观测检验表明，其整体质量大致介于 ERA-Interim（ECMWF的上一代再分析产品）和 ERA5之间，从而证明了绕过传统数值模式与资料同化方法、直接从观测数据生成再分析场的技术可行性。
从目前的精度、分辨率等指标看，AIFS-DOP还不能在短期内取代传统再分析方法。传统体系积累了数十年的质量控制、误差诊断、物理守恒和业务保障经验，而观测驱动体系则在复杂观测利用、独立性和计算速度方面展现出优势，且在发展、优化过程中，随着现代观测系统覆盖更广、频率更高、类型更多，或许会展现出更大潜力。
两者可能形成长期并行关系，ECMWF也把物理/混合分析路线与纯观测端到端路线描述为互补的两个发展途径。
《中国气象报》
转载本文请联系原作者获取授权，同时请注明本文来自许小峰科学网博客。 链接地址： https://blog.sciencenet.cn/blog-1310230-1546371.html
上一篇： 对“乳状云“的解读 欢迎参加科学网十佳博文评选活动！ 主办单位： 
支持单位： 