AIFS-CRPS：使用基于连续概率排序分数的损失函数训练的模型进行集合预报

更聪明的天气概率为何与你息息相关

当你查看天气预报时，通常只看到一个单一预测：下雨或放晴、热或冷。但大气是混沌的，真正重要的是可能性的范围——尤其是对暴雨、热浪或影响粮食、旅行与能源使用的数周尺度格局而言。本文介绍了一种新的基于人工智能的预报系统 AIFS‑CRPS，它不仅仅猜测明天的天气；它估计许多不同未来情形的概率，经常比当今最先进的基于物理的超级计算机模式更准确且更高效。

从单一答案到可能性的范围

传统天气模式利用物理定律，在略有不同的初始条件下多次模拟大气。集合预报把这些模拟合起来给出概率分布：大雨或寒潮的可能性有多大？相比之下，早期的机器学习天气模型被训练以最小化单次预报的平均误差，这促使它们抹平小而尖锐的特征，如强对流。它们在典型天气日可能非常准确，但难以表示不确定性，常常弱化极端现象。AIFS‑CRPS 的设计旨在弥合这一差距，直接生成概率预报，使不确定性成为模型内在的一部分，而不是事后附加。

学会诚实地表示不确定性的人工智能

AIFS‑CRPS 是 ECMWF 人工智能预报系统的集合版本。它不是学习匹配单一的最佳猜测未来，而是通过在其大气内部表示中添加精心设计的随机噪声，从单个 AI 模型生成许多合理的未来情形。关键创新在于训练方式：该模型使用一种称为连续概率排序分数（CRPS）的统计量进行优化，该分数奖励将高概率分配给实际发生事件的预测分布，同时惩罚漏报和过度自信。作者提出了该分数的“近乎无偏”变体，校正了有限集合规模带来的偏差，同时避免在现代硬件训练时可能导致的问题数值病态。

保留清晰细节而不被模糊

任何集合系统的主要考验之一是，随着预报从小时延伸到数日，它能否保持现实的变异性。在并列比较中，早期用标准均方误差损失训练的 AI 系统会随着预报时间的增加逐渐丧失小尺度结构，使地图显得模糊。相比之下，AIFS‑CRPS 保留了跨尺度的细节和能量，更接近参考分析和先进物理模式的表现。作者通过在训练中“截断”用作参考的场——去除上一步中的极细微摆动，使 AI 不只是放大这些噪声——来解决模型早期倾向产生过多细尺度噪声的问题，但同时不抑制真实的小尺度天气特征。这种平衡对表示强烈风暴和其他高影响事件至关重要。

在天到周尺度上优于最先进系统

团队将 AIFS‑CRPS 与 ECMWF 的高分辨率综合预报系统（IFS）集合进行了评估。对于最长 15 天的预报，AI 集合在许多关键变量上得分更好，例如近地面和 850 hPa 的温度、喷流高度的风以及中对流层的气压场。根据变量不同，标准概率和误差评分的改进常达到 5–20%。AI 集合有时表现出“过度离散”——其成员比其平均误差所必需的更分散——但这在很大程度上是由于使用为物理模式调优的初始条件扰动所致，而非针对误差远低于物理模式的 AI 系统所设计。在更长的亚季节（两到六周）预报中，尽管该 AI 系统仅在训练时使用到 72 小时的预报，它在许多地表和对流层字段上与 IFS 相当或更优（以原始预报比较），并且在消除偏差并仅计异常技能时仍具有竞争力。

追随热带的缓慢心律

亚季节预报的关键考验是马登—朱利安涛动（MJO），它是影响季风、风暴甚至中纬度天气的热带扰动缓慢传播模式。使用基于风异常的标准指标，作者表明在多年测试期内，AIFS‑CRPS 产生的 MJO 预报在相关性更高、误差更低方面优于 IFS 集合。重要的是，AI 集合的发散程度与典型预报误差非常接近，这是良好校准概率系统的标志。在一个个案研究中，AI 更忠实地再现了一个重大 MJO 事件的发展与向东推进，而物理模式倾向于低估其强度并过快回归到中性状态。

这对日常天气及更广泛领域的意义

对于非专业读者，结论是：人工智能现在不仅能提供快速且美观的天气图。像 AIFS‑CRPS 这样的系统可以量化不同结果的概率——热浪持续的可能性、风暴路径是否会偏移或多周格局的稳定性——通常能与或优于当今最先进的基于物理的模式，并且计算成本远低于后者。挑战仍然存在，例如提升对平流层的表现和微调模型对极端事件的处理，但这项工作表明概率化训练可以将 AI 转变为风险意识型天气与气候服务的真正有用工具。实际上，这意味着在关键时刻为政府、企业和公众提供更具信息性的预报。

引用: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

关键词: 人工智能天气预报, 集合预报, 概率预报, 亚季节预报, 马登—朱利安涛动