通过低分辨率动力核与多重网格神经算子实现的混合全球天气预报框架

为何更快、更智能的预报至关重要

天气预报影响日常决策并保护生命与财产，从航班安排到风暴防备。然而，最准确的预报来自那些消耗大量能量和时间的大型计算模型。与此同时，新型人工智能系统可以快速给出预报，但有时会违反基本物理规律，这令气象学家担忧。本研究提出了一种将两者融合的新方法，旨在保持 AI 的速度同时保留传统天气模型的物理现实性。

融合两种观察大气的方式

传统的数值天气预报使用描述空气运动与变化的方程。这类模型值得信赖，但在全球高分辨率运行时代价极高。纯 AI 模型直接从历史数据中学习模式，运行速度快，但随时间推移可能偏离真实世界行为。作者提出了一种名为 HMgNO 的混合系统，它将一个简单的低分辨率物理模型与一个作为智能校正器的神经网络耦合，通过修正将预报拉回现实。

混合系统的工作原理

该混合框架遵循一个重复循环。首先，低分辨率的物理模型使用已知的运动方程将大气向前推进。其粗糙的预报随后被缩放回更细的网格。接着，基于多年历史数据训练的神经算子估计并校正预报误差。校正后的状态成为下一轮的起点。因为神经网络只看到物理模型的输入和输出，它不需要穿透物理代码传递梯度。这个“即插即用”设计意味着许多现有的天气模型可以在不重写的情况下嵌入该框架。

预报效果如何

研究人员在全球尺度上对 HMgNO 进行了最多 10 天的预报测试，并将其与三种强有力的对手比较：一个名为 HRES 的运行性预报系统、一款领先的 AI 模型 Pangu-Weather，以及另一个混合模型 NeuralGCM。使用标准的预报误差和模式匹配指标，HMgNO 在较长预报时效上对许多关键量（如高空的风场与气压格局）与这些模型持平或更优。尽管在头几天内其精度略逊于 HRES，但其误差增长更慢，到第 10 天误差尤其在控制大型天气系统的高空场上最小。

保持与真实物理的一致性

除了纯粹的准确性，团队还检验了预报的物理逼真性。他们关注中高纬度地区气压场与风场之间的平衡，这里大气通常遵循称为地转平衡的已知关系。纯 AI 模型随着预报延伸往往会失去这种平衡，导致不现实的风场。相比之下，HMgNO 与另一个混合模型保持了与可信再分析数据更接近的垂直结构，表明质量场和风场之间的联系更健康。对海洋、雨林和沙漠近地面温度的个案研究显示，HMgNO 也能在不使用标准模型复杂地表参数化的情况下，学习到在不同地表上的日常加热与冷却周期。

速度、成本与能耗节省

大型 AI 与混合模型通常需要大量训练数据和强大的专用芯片集群。Pangu-Weather 与 NeuralGCM 的训练基于近四十年的高质量数据，使用数百个高端计算单元，训练耗时从数天到数周，代表了高昂且能耗密集的投入。相比之下，HMgNO 仅用 12 年的数据和四块消费级显卡就达到了可比的预报技能，训练时间不到两天，存储需求低于一 TB。这一显著的成本与硬件下降降低了无法访问大型计算设施的研究组与气象机构的门槛。

对未来预报的意义

这项研究表明，精心设计的基于物理模型与 AI 的协同可以在远低于现有领先系统训练成本的情况下，提供准确、稳定且物理一致的全球预报。HMgNO 并非完美：训练数据的垂直分辨率有限，以及在细小尺度锐利特征与整体误差之间的权衡仍然限制其表现。然而，该框架灵活，可从更丰富的数据、更高的分辨率和新的不确定性估计方法中获益。对公众而言，这条研究路径指向更快速、更易获取且更可靠的天气指引，可支持日常决策并帮助社会更好地应对极端事件。

引用: Hu, Y., Yin, F., Zhang, W. et al. A hybrid framework for global weather forecasting via low-resolution dynamical core and multigrid neural operator. npj Clim Atmos Sci 9, 112 (2026). https://doi.org/10.1038/s41612-026-01374-z

关键词: 混合天气预报, 神经算子, 数值天气预报, 人工智能, 全球气候数据