npj CAS|AI天气模式实现全球季节预报

8月25日，英国气象局研究团队联合埃克塞特大学、艾伦人工智能研究所等机构在 npj Climate and Atmospheric Science 发表研究论文：基于再分析资料训练的ACE2机器学习天气模式通过滞后集合方法实现了与物理模式相当的全球季节预报技能，在北大西洋涛动预报中达到0.47相关系数，证明了AI模式在季节尺度预报的可行性，为近期气候预报提供了高效的新途径。

近年来，机器学习天气模式在短期到中期（1-14天）预报方面已能媲美甚至超越传统数值模式。这些模式通过学习大气状态的逐小时演变，能够进行数天的"自回归预报"（autoregressive forecasting）。然而，在季节尺度（1-3个月）预报方面，机器学习模式面临重大挑战：预报时间越长，不稳定性增长或预报结果平滑化程度加剧，限制了其在长期气候预报中的应用。虽然一些模式在长期积分中保持稳定，能够捕捉气候态和年际变化特征，但它们在季节预报中的能力一直未得到验证。

研究者使用ACE2机器学习天气模式进行季节预报评估。该模式仅基于ERA5再分析资料训练，能预测6小时步长的大气演变。通过滞后集合方法，在1993-2015年期间每年秋季初始化预报，评估12-2月（DJF）的预报能力。预报中采用持续海表温度和海冰异常作为边界条件，保持ENSO等大尺度驱动因子的影响。

ACE2在全球季节预报中展现出显著的能力，其预报与领先的数值模式GloSea高度相似。在北大西洋涛动（NAO）预报方面，ACE2实现了0.47的相关系数（p=0.02），在1-3个月预报时效上具有统计显著性，与多个动力学模式相比具有竞争力。模式在热带地区表现尤为出色，相关性达0.79，北半球中纬度地区为0.39。ACE2能正确刻画ENSO，包括对阿留申低压和北大西洋急流的影响。令人意外的是，ACE2展现出与数值模式类似的信噪比误差特征，即在预报真实世界时比预报自身表现更好。然而，模式在预报2009/2010年极端冬季时表现不佳，可能反映了其在处理训练数据范围外极端条件时的局限性。

这项研究首次证明了机器学习天气模式在季节预报尺度的可行性，为近期气候预报提供了新的发展机遇。相比传统动力学模式需要数小时超算时间，ACE2仅需2分钟GPU时间完成4个月预报，计算效率大幅提升，为生成大集合预报和深入理解预报机制开辟了新路径，推动了从天气预报向气候预测的技术跨越。

论文链接

https://www.nature.com/articles/s41612-025-01198-3