现代天气预报的运作原理:从卫星到超级计算机

无论是手机应用上的七天天气展望,还是国家气象机构发布的飓风路径预报,每一份天气预报都以同样的方式开始:对当前大气状态的观测。欧洲中期天气预报中心(ECMWF)表示,其每天接收约8亿份观测数据,其中大部分来自约90台监测大气、海洋、陆地、雪和海冰的卫星仪器;经过质量控制后,实际用于其预报系统的观测数据约为6000万份。

将观测数据转化为预报:资料同化

原始观测数据并不能覆盖地球上的每一个点,因此预报员无法仅凭这些数据直接读出当前天气状况。相反,各机构会使用一种称为“资料同化”的技术,将不完整的观测数据与上一次运行得出的短期预报相结合,生成一幅完整且物理上一致的大气图像,称为“分析场”。ECMWF使用的是一种称为四维变分同化(4D-Var)的方法,该机构将其描述为在空间和时间两个维度上,将“对当前天气的初步猜测与来自观测的新证据”相结合。英国气象局(Met Office)对这一步骤的描述更为简单:资料同化“通过将现有数据与模型预测相融合……填补直接观测缺失的空白”。

ECMWF优先采用的观测数据类型包括:来自微波和红外卫星仪器的温度与湿度读数;通过追踪云层以及雷达、激光雷达(lidar)和散射计仪器得出的风力估测;以及一种称为“全天空”(all-sky)同化的技术,该技术利用来自多云和降雨区域的卫星数据,而不是将其舍弃。

模型运行:在超级计算机上求解物理方程

一旦分析场构建完成,数值天气预报模型便开始发挥作用。这类模型将大气划分为三维网格,在每个网格点上求解控制运动、能量、质量和水分的方程,然后将整个系统向前推演。由美国国家海洋和大气管理局(NOAA)下属的国家环境预测中心(NCEP)运行的美国全球预报系统(GFS),在前七天的输出中采用约28公里(18英里)的基础水平网格分辨率,超过七天的预报则粗化至约70公里(44英里),并耦合了大气、海洋、陆地/土壤和海冰的独立模型。该系统每天生成四次完整预报,预报时长可达16天。

ECMWF的对应系统——综合预报系统(IFS)——于2024年11月在一次名为Cycle 49r1的版本更新中得到升级。根据ECMWF的说法,此次升级首次同化了两米高度的温度观测数据,修订了模型表示其物理过程不确定性的方式,并将海浪模型的网格与大气模型在中期预报中约9公里的分辨率相匹配。ECMWF报告称,此次升级带来了可衡量的提升,包括在第四天之前,南极洲附近的预报评分提高了约0.5%,部分原因是海冰上方新增的微波数据。

集合预报:预测不确定性本身

从单一分析场出发的单次模型运行只能给出未来的一种版本,但大气是科学家所称的“混沌系统”:根据英国气象局的说法,“初始状态中极其微小的误差可能导致预报出现巨大的误差。”由于观测数据永远无法完美捕捉大气的真实状态,各机构会以略有不同但同样合理的初始条件,对同一模型运行数十次。这一系列并行预报被称为“集合”,其中每一次单独的运行被称为“集合成员”。

为什么预报的可信度会随时间推移而下降

ECMWF报告称,其2024年11月的Cycle 49r1升级在预报准确性上带来了可衡量的提升,包括在第四天之前南极洲附近的预报评分提高了约0.5%,该机构将此部分归因于海冰上方新增的微波卫星数据。更广泛地说,由于混沌系统初始条件中的微小误差会随时间推移而不断放大,一旦逐日预报失去实用价值,各机构还会基于不同的统计方法,发布独立的月度和季节性展望。

基于人工智能的预报兴起

除了这些基于物理原理的模型之外,各国气象机构也开始运行基于机器学习、并利用数十年历史天气数据训练而成的系统。NOAA于2025年12月宣布,已将三套此类系统投入正式运行:AIGFS(全球预报系统的人工智能版本)、AIGEFS(人工智能集合系统)以及HGEFS——一个融合了人工智能与基于物理原理预报的62个成员的集合系统。据NOAA介绍,AIGFS能够在约40分钟内生成一份16天的全球预报,所使用的计算资源仅为传统GFS所需资源的约0.3%,而AIGEFS所需资源约为标准集合系统的9%。NOAA局长尼尔·雅各布斯(Neil Jacobs)将这些系统描述为“美国天气模型创新的一次重大飞跃”,并指出这些系统在大尺度天气形势和飓风路径预报方面的准确性有所提高,不过NOAA也承认,AIGFS目前在预测飓风强度方面表现有所下降,官员表示这一领域仍需进一步发展。

从模型输出到你所看到的预报

模型数据通常并不是最终产品。英国气象局表示,在超级计算机完成运算后,人类预报员会对模型输出进行解读,考虑模型分辨率无法完全捕捉到的当地地形和条件,并在预报发布之前对其进行调整,将人为判断与计算结果相结合,从而得出一份可供使用的预报。