极端天气预报对比：欧洲最新研究称传统模型仍优于人工智能

传统物理模型仍是极端天气预报的“定海神针”

人工智能正深度介入天气预报领域。GraphCast、盘古、伏羲等AI大模型在常规预测中表现优异，部分指标已超越传统数值模型。然而，一个核心挑战尚未解决：当遭遇破纪录的极端天气时，AI模型能否保持可靠性？

近期，德国卡尔斯鲁厄理工学院、日内瓦大学与苏黎世联邦理工学院的联合研究发表于《科学进展》，结论耐人寻味：在预测创纪录极端天气时，基于物理机制的传统模型仍显著优于AI。

研究团队利用欧洲中期天气预报中心（ECMWF）的ERA5再分析数据，训练了GraphCast、盘古、伏羲三款主流AI预报模型。随后，以2018年和2020年发生的162751次极端高温、32991次极端低温和53345次极端大风事件为检验样本，将AI模型的输出与ECMWF高分辨率集成预报系统（HRES）进行对比。

结果显而易见：常规天气下AI模型精度高于HRES，但遭遇破纪录极端事件时其表现骤降——系统性低估极端高温和大风强度，却过度预报极端低温频次。在1~10天短期预报窗口内，这一偏差尤为显著。换言之，在亟需精准预警的极端天气场景中，传统物理模型更值得信赖。

这一发现并非否定AI的价值，而是警示：在极端天气早期预警和灾害管理等关键场景中，单纯依赖AI存在风险。更具前景的路径是融合传统数值天气预报的物理内核与人工智能的算力优势。面对气候变暖背景下愈发频繁的破纪录极端事件，重点不在于取代，而在于互补。

来源：互联网