观潮 · 模式预报与气象 AI 观察
HourGlass：把 6 小时间隔的 AI 预报补成逐小时
> 当前不少先进 AI 天气预报系统只提供 6 小时间隔的输出，很多应用却需要逐小时序列。直接训练小时级模型会导致误差累积和时间不一致。HourGlass 是挪威气象局与 ECMWF 合作开发的概率时间降尺度方法：不替换原预报，而是重建两次输出时刻之间大气的可能演变，生成与原始预报一致的逐小时序列。它靠两点做到可业务化——用连续分级概率评分（CRPS）的变体加时间一致性损失项来保住小尺度变率，以及用预报轨迹而不是再分析或分析数据做训练。该方法今年晚些时候将随 AIFS v3 进入 ECMWF 业务系统，挪威气象局已在准实时运行。作者也点明了硬骨头：小时降水仍是 AI 天气预报最大的挑战之一，HourGlass 改善了降水场的真实感，但最强降雨极端依然难报。
---
缺的是哪一块
中午一份预报、18 时一份预报，能告诉你天气往哪走，却说不清中间发生了什么。
风暴是连续地生成、移动、减弱的，可许多最先进的 AI 天气预报系统只提供每 6 小时一次的预报。对不少应用这个分辨率够用，但对洪水预报、可再生能源，以及快速演变的天气事件来说，更细的时间细节是必需的。
直接产出逐小时预报不是不行，但会带来两个后果：误差累积和时间不一致。
HourGlass 的定位因此很清楚——它不替换底层预报，而是重建预报时刻之间大气的可能演变，生成连贯的逐小时预报，并且与原始预报保持一致。
这次合作把挪威气象局在区域 AI 天气预报上的专长与 ECMWF 在全球 AI 天气预报上的专长结合起来，也证明了同一套方法能跨预报尺度应用。
---
方法怎么搭的
HourGlass 的方法是数据驱动的概率时间降尺度，在 Anemoi 框架内实现——这一选择本身就给其他数据驱动预报系统留出了复用路径，也让更广泛的预报社区能够使用和继续发展它。
让它具备业务能力的是两个设计。
其一，用 CRPS 变体加时间一致性损失。 以往的时间降尺度方法多为确定性训练，容易产生过于平滑的预报，在时间窗的中心附近尤其明显。HourGlass 改用连续分级概率评分的变体来保住小尺度变率，并额外加了鼓励时间一致性的损失项。
其二，用预报轨迹当训练数据。 再分析和分析数据集可能含有时间不一致，也不总是具备小时分辨率；预报轨迹提供的是时间上一致的大气演变，让 HourGlass 模型能学到预报在两次输出时刻之间是怎么演变的。
两套设计对应到结构上：
博客原图：HourGlass 的工作方式。实线箭头是 6 小时输入，虚线箭头是逐小时输出。左右两侧分别是 M₁、M₂ 两个集合成员在 t+0 和 t+6 的状态；中间的 HourGlass 模块对两个成员共用权重，各自一次性联合采样出 t+1 到 t+5 的五个逐小时场。它不对确定性场做插值，而是在保持与两端状态一致的约束下重建中间演变。
---
结果数字
HourGlass 已成功应用于三套系统：
系统 · 状态
ECMWF AIFS Single · 已应用，将随 AIFS v3 提供关键地面变量的逐小时预报
ECMWF AIFS ENS（集合） · 已应用，同上
挪威气象局 Bris 区域预报系统 · 已在准实时运行，供预报员评估；计划业务化后为 Bris 集合预报系统产出逐小时预报
经过全球和区域两套预报系统的成功评估后，HourGlass 将于今年晚些时候成为 ECMWF 业务预报系统的一部分，为 AIFS Single 和 AIFS ENS 提供关键地面变量的逐小时 AI 预报。
对观测的检验显示：这些模型在产出时间连贯、具备真实小尺度变率的逐小时预报的同时，保住了底层预报系统的技巧。
一个具体样例是风暴 Amy：Bris-HourGlass 重建出风暴发展过程中物理上一致的逐小时演变，在原始预报时刻之间给出了更细致的天气变化视图。AIFS-HourGlass 上以及其他棘手事件（包括有组织对流）也观察到类似行为。
博客图 1：风暴 Amy 期间（2025 年 10 月 4 日 01–05 UTC）的 1 小时累计降水，色标自白（0 mm）到深紫（15 mm 以上）。上排为 Bris-HourGlass 的单个成员，下排为 MetCoOp 集合预报系统（MEPS），两者均为 2025 年 10 月 3 日 06 UTC 起报。Bris-HourGlass 在五个连续小时里给出连贯演变的降水带——挪威西海岸的强降水中心逐步北移并减弱，而 MEPS 的对应时段在细节和连续性上更粗糙。
另外一个变量上的逐小时效果：
博客原图：由 HourGlass 从 AIFS ENS 单个成员的 6 小时预报（上）生成的逐小时 2 米露点温度演变（下），暖色为高值、冷色为低值。上下两排的空间型态一致，下排把 6 小时间隔补成了连续演变。
---
作者承认的限制
- 最强降水极端依然难报。 原文直说："小时降水仍然是 AI 天气预报最大的挑战之一。虽然 HourGlass 改善了降水场的真实感，但预报最强降雨极端仍然困难。"
- 博客层面没有给出定量检验数字。 文中对技巧的表述是"保住了底层预报系统的技巧"，没有给出具体指标、对比基准或统计显著性。方法细节指向 arXiv 预印本。
- 区域应用仍处评估阶段。 挪威气象局一侧是"已在准实时运行并可供预报员评估"，业务化属于计划而非既成事实；ECMWF 一侧是"今年晚些时候"才进入业务。
---
一句话判断
在 6 小时 AI 预报和逐小时业务需求之间补一层概率降尺度，是个工程上很划算的位置——但 HourGlass 自己承认了，小时降水这块硬骨头它只是让画面更像真的，极端值依然报不动。