观潮 · 模式预报与气象 AI 观察
给 AIFS 加一张城市分布图：30 公里网格上浮现 0.2 摄氏度城市热岛
> ECMWF 下一版人工智能预报系统（AIFS v3）打算把一张静态的"城市范围"场塞进 forcing 里——每个格点告诉模型不透水面占比是多少。为了验证模型真的学会了用它，团队做了个干净的对照实验：正常跑一遍，再把这张场全置零跑一遍，两者相减就是模型学到的城市响应。结果是在约 30 公里的 N320 网格上，城市上方出现 10 天平均约 0.2 摄氏度、峰值约 0.5 摄氏度的暖信号，量级接近物理模式 IFS 城市方案的夜间 0.5 摄氏度、昼夜平均 0.2 摄氏度。但增暖峰值出现在正午而非夜间，与经典城市热岛的夜间最大值相反；而站点评分上没有统计显著的改善。作者把这两点都如实写出来了，并指出前者可能是 6 小时间隔输出恰好跳过了 20–23 UTC 这个夜间峰值时段。
---
缺的是哪一块
2026 年夏天欧洲被一轮接一轮热浪推着走。6 月是西欧有记录以来最热的 6 月，比 1991–2020 年平均高出约 3 摄氏度；英格兰和法国各自创下最热 6 月，多国打破历史纪录；仅 6 月最后一周，全欧洲就报告了超过 10000 例超额死亡。7 月初又来一轮。
这类高温在城市里最致命。密集的建筑表面、减少的植被、基础设施蓄存的热量共同构成城市热岛，使城区比周边乡村更暖；差值往往在夜间最明显，因为城市释放蓄热更慢。热浪期间持续偏高的夜间气温会累积热暴露、压缩身体恢复窗口，健康风险显著上升。
问题在于：预报系统如果不知道城市在哪，就无法表达这件事。AIFS 一直在借 Anemoi 框架把更多地球系统分量用机器学习表示出来，静态场（固定的地图，告诉模型天气发生在什么样的环境里）是这条扩展路线的重要一环，城市场就是新加的一个。
---
方法怎么搭的
这张城市场的内容很朴素：每个格点上地表的不透水比例——被道路和建筑覆盖的份额。它是一个静态描述，与大气状态并列喂给模型。
隔离响应的做法是关键。先用标准城市场正常跑 AIFS 原型，保持初始条件完全一致，再把城市场全部置零重跑一遍。两次预报之差就剥离出了模型学到的城市响应，与当次天气形势本身无关。
实验设计：
项 · 设置
预报样本 · 2026 年 1 月至 7 月的 9 次 10 天预报，覆盖多个季节和天气型，含破纪录热浪
分辨率 · N320，网格距约 30 公里
检验量 · 2 米气温对城市占比的响应、日变化、随预报时效的演变、站点偏差
放在 30 公里这个尺度上看，一个格盒大到能装下好几个整个巴黎市中心，外加周边郊区和农田。
论文图 1：2026 年 7 月 6 日预报的城市场信号。(a) 提供给模型的静态城市占比场，伦敦和巴黎附近峰值接近 0.3；(b) 10 天平均的增暖（带城市场预报减掉城市场置零预报），暖色异常锁定在城市上方，乡村地区基本不变；(c) 按城市占比分箱的日变化曲线——>0.10 那一档（深红）在正午前后达到约 0.25°C 的峰值，夜间回落到约 0.16°C，而乡村对照（灰，占比 <0.005）全程贴近零。灰色底纹标出夜间时段，其余为白天。
---
结果数字
暖信号的量级与形态（6 天预报示例，图 1）：
量 · 数值
建成区 10 天平均增暖 · 约 0.2 摄氏度
峰值增暖 · 约 0.5 摄氏度
物理 IFS 城市方案（对照） · 夏季夜间约 0.5 摄氏度，昼夜平均约 0.2 摄氏度
欧洲城市平均（最城市化格点） · 约 0.25–0.30 摄氏度
单个城市中心 · 0.3–0.45 摄氏度
信号紧贴城市占比的空间型态，城市上方出现、周边乡村基本不变——不是一次大范围的区域性抬升，而是锁定在城市化格点上的局地响应。响应还随建成区比例系统性增大：伦敦落在本实验西欧城市占比最高的格点上，响应也最强。作者认为这种有序的标度关系是"模型学到了与城市形态的关系，而不是记住了一串偏暖地点"的强证据。
日变化上出现了一个反常。 增暖在正午前后达到峰值、夜间最弱（图 1c），与常和城市热岛联系在一起的夜间最大值相反。它更像一种地表加热响应——接近卫星白天在城市上方观测到的偏高地表温度，而不是日落后通常在近地面冠层测到的效应。
跨季节与跨时效的可重复性：同样的"增暖—城市占比"关系在全部 9 次预报里都出现，且在每个预报时效段都存在、没有随时效衰减（最长时效曲线噪声更大）。变的是响应幅度，随季节走：敏感度从隆冬到盛夏大约翻三倍，1 月约 0.4 摄氏度/单位城市占比，6–7 月升到 1.25–1.3 摄氏度/单位城市占比，与"由入射太阳辐射驱动"一致。
预报有没有变好——这部分结论偏保守：
检验 · 结果
站点评分（对当前 AIFS 版本） · **没有统计显著的改善**
巴黎蒙苏里站 6 月热浪期间 2 米气温冷偏差 · 从 −1.11 摄氏度降到 −0.41 摄氏度
均方根误差 · 变化很小；该站 IFS 仍然最接近观测
全区域最热 10% 的日子 · 偏差削减量随城市占比增大，最城市化站点约 0.2 摄氏度
乡村地区 · 气温基本不变
作者的解释是：格盒平均只有零点几摄氏度的城市增暖，相对于主导 10 天预报的天气尺度误差太小，不可能撼动一个被天气尺度误差支配的单站评分；它的作用体现在偏差这类系统性量上。
论文图 2：9 个起报日期（1 月至 7 月）的增暖中位数对城市占比的响应，按四个预报时效段分组。每个时效段内响应都为正、且随城市占比上升；起报季节的排序贯穿始终（夏季起报的斜率最陡），斜率还随时效增强，说明城市信号是累积而不是衰减的。
论文图 3：2026 年 6 月 22 日起报的 10 天预报，巴黎蒙苏里站 2 米气温。黑点为 SYNOP 观测，绿线为 IFS，蓝线为 AIFS v2 基线，红线为带城市场的 AIFS 原型。内嵌小表给出各模式对该站观测的检验成绩：原型均方根误差 1.83°C、偏差 −0.41°C，v2 基线 1.78 / −1.11°C，IFS 1.49 / +0.01°C。红色曲线在几天里明显比蓝色基线更贴近观测的偏暖趋势，但均方根误差改善有限，该站仍是 IFS 最接近。基线里同样存在对城镇的系统性冷偏差，一旦把城市占比作为输入，冷偏差降到原来的五分之一。作者据此认为这是数据驱动预报的共性，而不是 AIFS 原型的个例。
---
作者承认的限制
- 夜间峰值可能被漏掉了。 原文明确："我们的 6 小时间隔输出没有采样 20–23 UTC 这个城市热岛通常在夜间达到峰值的时段，因此目前还不能排除在输出步之间存在更强的夜间响应。"更高频输出可能解决。
- 站点评分上没有统计显著改善。 作者没有回避：站点级评分"结果是混合的"，对当前 AIFS 版本没有统计显著提升，理由是信号相对天气尺度误差太小。
- 修正会过冲。 巴黎蒙苏里一站，额外的暖量在后期几个峰值上略有超过，所以均方根误差变化不大，该站仍是 IFS 最接近观测。
- 观测本身可能低估了收益。 SYNOP 站点的选址原则是代表周边环境而非城市最热的部分，很多站点位于机场或植被区——巴黎蒙苏里就在巴黎市区的一个公园里。作者提出，用更密的城市观测网、通量塔或卫星地表温度做检验，才能得出更扎实的结论。
- 分辨率稀释了真实信号。 在 N320 上，即便最密集的城市中心城市占比也只有约 0.35，因为每个格盒还装着公园、河流和郊区。0.2–0.3 摄氏度是格盒平均，街道尺度上集中的增暖被大量平滑掉了。
- 训练数据的来源说不完全清楚。 AIFS 原型预训练绝大部分用 ERA5，而 ERA5 的陆面分量完全没有城市表征——它之所以仍然显示城市偏暖，是因为同化了携带真实城市暖量的 2 米气温观测。微调阶段用的较新业务分析确实含单层城市冠层方案（带峡谷几何），这一阶段比预训练小得多，但目的是把模型拉向业务分析，"所以我们不能排除该方案对我们看到的响应有贡献"。
---
一句话判断
给一个 30 公里网格的 AI 预报系统加一张静态城市占比图，它就能自己长出量级正确、随城市规模和季节合理标度、且随时效不衰减的城市增暖信号；真正值得期待的不是这零点几摄氏度，而是网格细到能"看见"城市而不是把城市摊平时，这套静态描述会被放大成什么。