观潮 · 模式预报与气象 AI 观察
不重训模型只学误差：AIFS 台风强度偏差从 -29 节压到 -2 节
> AI 天气模型报台风路径已经相当好，报强度却一直偏弱——这几乎是当前这类模型的通病，根源在于台风紧凑且快速演变的内核。ECMWF 与剑桥大学的合作没有去重新训练一个台风专用模型，而是在现有 AIFS 预报之上再叠一个机器学习系统，专门学 AIFS 会犯什么错、然后把这个错减掉。结果很干脆：2025 年（完全未参与训练的年份）检验，全球风速偏差从近 −29 节收敛到约 −2 节，强度误差大约降到原来的三分之一；最大风速全球平均绝对误差约 11 节，与谷歌 FNV3 的台风 AI 预报模型在统计上无法区分。快速增强个例的误差从约 70 节降到约 23 节。作者同时写明了没做到的事：所有系统仍然低估部分快速增强风暴的峰值强度，系统也完全没用卫星、海洋热含量和散射计风这些已知有用的观测。
---
缺的是哪一块
热带气旋是最具破坏性的天气系统之一，路径和强度的预报水平直接关系到能否为大风、风暴潮和洪水留出准备时间。它也是检验机器学习天气模型最苛刻的考题之一。
路径这一关，AI 模型已经取得长足进步。强度这一关则难得多：模型持续表现出低估风暴强度的系统性倾向。难点集中在内核——尺度紧凑、演变快，其中的小尺度过程能强烈影响风暴演变并触发快速增强。
具体到 AIFS，问题链条是清楚的：在约 0.25 度的分辨率上，AIFS 网格不足以解析台风内核；而确定性训练方法又进一步使 AIFS 难以做出有技巧的台风强度预报。两个因素叠加的结果，是预报倾向于把最强的风平滑掉、把最强的风暴报弱。
---
方法怎么搭的
系统的名字叫 AIFS-TC，思路是一句话：用全球预报当锚，只学它的偏差。
AIFS 先给出风暴未来强度的第一版估计，第二个机器学习系统学它倾向犯的错，预测出一个订正量，再把这个订正量加回原始 AIFS 强度预报上。
订正所用的信息全部来自 AIFS 预报本身：
- 预报的台风路径和强度
- 气旋周边区域的三维大气场——风、温度、位势高度、湿度
订正模块本身是两个相对简单的机器学习方法拼起来的，一个用梯度提升决策树处理从 AIFS 预报派生出的预报因子集，另一个用卷积神经网络分析以风暴为中心的大气场，两者的预测可以组合成最终订正量。
训练安排：
项 · 设置
训练样本 · 2016–2024 年的热带气旋
检验年份 · 2025 年，完全留作未见测试年
样本加权 · 快速增强个例在训练中给予额外权重
基线 · 第一版 AIFS-TC 只基于确定性 AIFS-Single 预报
作者特意强调这种做法"刻意保持克制"：它不替换全球 AI 天气模型，也不需要从头训练一个专门报台风的新模型。把订正拆成独立模块还带来一个实际好处——可以独立于主模型并行开发。
---
结果数字
2025 年未见数据上的表现：
指标 · 订正前（AIFS） · 订正后（AIFS-TC）
全球风速偏差 · 近 −29 节 · 约 −2 节
强度误差 · 基准 · 约降至三分之一
最大风速全球平均绝对误差 · — · 约 11 节
快速增强个例强度误差 · 约 70 节 · 约 23 节
约 11 节的平均绝对误差与谷歌 FNV3 台风 AI 预报模型"在统计上无法区分"。在能同时拿到美国国家飓风中心官方预报的北大西洋和东太平洋，三个系统表现相当。
快速增强（惯例定义为 24 小时内最大风速增加至少 30 节）是最难的一类，留给社区的准备时间也最短。原始 AIFS 在这类个例上表现很差，误差约 70 节；订正后降到约 23 节，与领先的 AI 预报相当，在做过对比的区域已接近人工预报员制作的官方指引。
博客原图：2026 年 7 月 20 日 00 UTC 起报的东太平洋飓风 Fausto。上图为中心最低气压、下图为最大风速，横轴为时间。青色为未订正的 AIFS 集合（PERT 为扰动成员、CTRL 为控制预报），红色为订正后的集合成员，深蓝为未订正的 AIFS Single，红色粗线为订正后的 Single。下图的灰色横带标出热带风暴（TS）与 1 至 3 级飓风的风速门槛：未订正的成员成群贴在 TS 门槛附近，订正后的成员则整体上移进入飓风区间。
---
作者承认的限制
- 问题没有被消除。 原文直说："订正并没有消除这个挑战。所有系统仍然低估某些快速增强风暴的峰值强度。精确预测最极端的增强何时发生依然困难。"
- 完全没用观测。 系统不直接使用卫星影像、海洋热含量或卫星散射计风。作者承认这些数据源"已知含有与台风强度相关的信息"，纳入它们可能有助于最难的那批个例。
- 只做了确定性版本。 第一版 AIFS-TC 基于单一的确定性 AIFS-Single 预报。把订正训练和应用到 AIFS-ENS 上才是表示台风强度预报不确定性的自然途径，这属于下一步。
- 还不是实时系统。 下一步是把它实现为实时系统、做压力测试，并与 ECMWF 成员国的专业预报员（例如法国气象局）合作评估。截至发稿"工作已经在进行中"。
- 对比范围有限。 与官方预报的对比只在北大西洋和东太平洋这两个也能拿到美国国家飓风中心预报的海域做过。
---
一句话判断
与其重训一个台风专用大模型，不如让一个小模型专门学全球 AI 预报在强度上的系统性偏差——29 节的偏差能被压到 2 节，这个收益对当下所有"报路径行、报强度弱"的 AI 天气模型都有直接参考价值。