如何确定台风路径走向？中国团队研发AI-物理集合预报系统实现科学判断|萧劭花

1. 萧劭花是什么意思

2. 萧劭花功能介绍

3. 萧劭花使用方法

4. 萧劭花使用教程

5. 萧劭花最新版本

6. 萧劭花官方入口

7. 萧劭花下载安装

8. 萧劭花常见问题

9. 萧劭花注意事项

10. 萧劭花相关资讯

　　中新网北京7月29日电 (记者 孙自法)每到台风季，台风登陆及其影响路径预报的准确性，不仅关乎个人出行、渔船出海、学校上课，更直接关系到国家层面的防灾部署和应急响应，因此备受关注。

　　科学判断台风路径多种可能走向

　　记者7月29日从中国科学院大气物理研究所获悉，该所段晚锁研究员团队与复旦大学李昊研究员团队深度合作，以中国自主研发的人工智能(AI)气象大模型“伏羲”(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(O-CNOPs)方法，联合研制FuXi-CNOPs集合预报系统，其通过生成具有物理可解释性的初始扰动，实现对台风路径多种可能走向的科学判断。

　　大量台风个案的预报试验结果显示，该系统预报能力明显优于目前国际主流的业务集合预报系统，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。

　　这项台风预报领域重要研发成果论文，近日在最新一期专业学术期刊《大气科学进展》(AAS)以封面文章形式发表。

　　研究团队介绍说，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。

　　近年来，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。

　　最终实现台风路径预报精度提升

　　本项研究选取62个台风个例，开展了91次集合预报对比试验。结果显示，与包含51个集合成员的国际主流业务集合预报系统相比，使用31个集合成员的FuXi-CNOPs在短时效24小时内预报技巧相当，但在24小时至120小时的预报中，优势逐渐显现并持续扩大，路径误差最大降幅占比达32.33%。

　　同时，FuXi-CNOPs能更稳定刻画台风的移动速度与方向，且更可靠量化台风路径的预报不确定性，其不确定性量化准确度最大提升可达29.2%。

　　FuXi-CNOPs还以精准的敏感区定位特性，能更合理刻画台风大尺度引导气流的不确定性，最终实现台风路径预报精度的提升。因此，FuXi-CNOPs的核心价值不仅体现在台风路径预报技巧的优化上，更为AI驱动的可靠集合预报体系提供了关键的物理可解释性支撑。

　　FuXi-CNOPs探索出一条AI气象模型的集合预报创新路径，不仅能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。

　　段晚锁表示，面向未来，研究团队将在现有进展基础上进一步优化升级，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。(完)