手机天气预报，为什么只有 15 天？

科技狐

2024-08-02 11:12发布于广东科技领域创作者

巴黎奥运会的开幕式，小伙伴们都看了吧。

给老狐印象最深的，不是把央视解说干沉默的大胆画面，也不是辣眼睛的蓝精灵，而是影响了现场演出效果的雨。

可能很多人不知道，在 16 年前的北京奥运会，原来天气预报有雨，通过人工消雨，保证了北京奥运会精彩的表演。

天气预报对人类生产生活的影响毋庸置疑。

往大了说，它影响着农业、工业的生产、活动的组织，农民安排农事、企业安排生产，包括像奥运会开幕式这样重要的活动，天气预报都有非常重要的指导意义。

往小了说，天气预报决定了老狐上班穿的是足力健还是洞洞鞋。

正因为天气如此重要，电视上的天气预报就成了许多人每天必看的电视栏目，《渔舟唱晚》的 BGM，是很多人共同的回忆。

不知道大家注意到没，央视天气预报，预测的天气只有明后两天的信息。

在手机上，天气预报更长，不管是手机自带插件还是第三方 App 上，都提供了 15 天内的信息，iOS 是个例外，只有 10 天。

而如果想要把预测时间再往上提升，受到混沌理论的限制，想要精确就比较难了，安卓手机虽然有 90 天的预测，但也是以十天为单位，没有更详细的天气变化。

难道气象学家就没有办法更长时间地精准预测天气吗？

去年，华为盘古气象大模型预测天气准确率更高的论文登上《自然》杂志，前段时间，谷歌的天气预报模型 Neural GCMs 也登上《自然》杂志，用 AI 预报天气目前是一个很火的赛道。

准确预测天气变化的需求，古人就有，他们没有精密仪器测量，而是搞玄学。

在出土的商朝甲骨文上，记录了古人通过占卜来预测天气，这是目前关于天气预报最早的文字记载。

可以想象这肯定不靠谱。后来，古人通过观察各种现象，总结经验，找出天气变化规律。

老祖宗们还留下了不少谚语，帮助人们预测天气，像是天上钩钩云，地上雨淋淋；或者雨后东风大，来日雨还下；喜鹊枝头叫，出门晴天报等。

通过大量观察，由经验得出规律，在某种程度上也可以称为统计预测法，但是这种方式缺乏理论依据，难以满足科学发展需要。

这就好比人建造房子，如果缺少科学的数据，凭着感觉造，建造两三层楼可能没问题，但建造高楼大厦就可能是危房。

现代气象学发展的关键人物，是挪威的物理学家威廉·皮叶克尼斯，他在 1905 年提出了用数学思想来描述大气的运动状态，给出了大气运动的方程组，开启了现代气象研究的大门。

1910年，威廉·皮叶克尼斯开始在天气图上绘制流线，通过收集到的地面与高空观测资料，他提出了中纬度气旋发展的气旋模型和极锋理论，也就是下图这个。由此形成了包括天气学理论、天气图分析和预报方法的完整体系。

这里有个重要的天气预报方法就是天气图预测法，这种方法通过预报员利用天气图等各种图表，基于天气系统的演变历史，再结合物理学、气象学和个人经验，来预测天气接下来的变化。

不过现在的天气预报没有采用天气图预测法，而是采用了数值天气预报。

前面提到，威廉·皮叶克尼斯给出了大气运动的原始方程组，这也成为了数值天气预报的基础。

大气运动方程组包括运动方程、连续方程、热力学方程、水汽方程和状态方程。

所谓数值天气预报，就是依据已知的大气温度、湿度、压力等初始条件，解方程组，求出未来大气的温度、湿度、压力等数据。

大家别慌，老狐不是想教会大家解这个方程，只要知道有这个方程就行了。

解这组方程有多难呢？英国科学家理查森在 1910 年曾试图用这个方程组计算 6 小时内某个地点的气压变化，因为当时对数据处理不对，导致结果错误。

如果想要预报全球的天气变化，按照理查森的设想，在一个模仿地球的巨大球形建筑里，把地球划分成许多小的区域，每个人负责计算一个区域的天气变化，一共需要 64000 人。

后来有人指出理查森又搞错了，并且更正了真正需要的计算人数—— 204800 人。

直到 1950 年，气象学家查尼用世界第一台计算机 ENIAC 成功模拟出第一个与实际相符的数值预测结果，他预测的是 24 小时后的天气预报，计算过程刚好也花了 24 个小时。

听着像是做了无用功，但这意味着数值天气预测可以业务化，意义重大。这就好比你毕业刚工作，每个月工资刚好够付房租和伙食，但对自己来说，这是真正独立的开始。

如今的数值天气预报，气象数据更加精细，也更加全面，以大陆为例，一年前，大陆一共有 7 个大气本底站、27 个气候观象台、近 7 万个地面自动气象观测观察站，120 个高空气象观察站，242 部新一代天气雷达，还有 7 颗在轨运行风云气象卫星。

*风云卫星全球影像

所以，现在的天气预报不仅是温度、压力、湿度这些数据，还能预测能见度、雷电、台风走向，甚至包括冰雹、龙卷风这样的局部极端天气。

海量的数据，只能依靠最先进的超级计算机。像大陆之前的天河一号，现在的神威计算机都在气象研究上发挥了重要作用。

数值天气预报目前最领先的机构是欧洲中期天气预报中心，也就是华为盘古气象大模型那篇论文里频繁提到的 ECMWF。

*ECMWF天气预报图

先解释一下这里的“中期”： 0-12 小时内的天气预报被称为短时天气预报、3 天以内的叫短期天气预报，4-10 天是中期天气预报。

下图是 ECMWF 在半个标准大气压高度（海拔约5500m）上预报水平的演变，粗线是北半球，细线是南半球。3 天、5 天和 7 天的预测水平都有显著提高，而 10 天以上的天气预报，目前只能说有一定的参考价值。

所以手机上的天气预报 App，最长只提供了 15 天的天气数据，数值天气预测的有效性，被限制在中期这个时间尺度里。

数值天气预报的核心思想可以说是“机械论”，机械论认为，只要掌握大自然所有组成部分的相对位置，就能通过计算概括所有物质的运动。

但是，后来的气象学家洛伦兹发现，大气运动存在混沌现象，限制了天气预报的准确性。

大气系统是一个非常复杂的线性系统，对各种误差极为敏感，观察的数据、模式初始化以及计算精度的细小误差，都会在计算过程中被不断放大。

洛伦兹关于混沌现象更知名的解释是“蝴蝶效应”——一只南美洲的蝴蝶扇动翅膀，结果可能引发美国德克萨斯州的一场龙卷风。

而如今正如火如荼发展的 AI 天气预报，能消除混沌现象的干扰吗？AI 并没有消除，而是想办法绕过这个坑。

与数值天气预测的基础是物理模型不一样，AI 天气预报是一种统计预测法，通过对过去大量全面充分的气象数据样本进行分类归纳，总结出规律。逻辑上来说，其实跟古人总结天气经验十分相像。

只不过想要归纳海量数据，把这个工作交给了 AI，数据越多，预测结果越准确。

比如盘古大模型，利用欧洲中期天气预报中心在 1979 到 2017 这 39 年间测得的气象数据进行训练，再用 2019 年气象数据进行验证，并用 2018 年的气象数据进行测试。

测试结果显示，在七天内，盘古气象大模型预报的每一个天气变量的均方根误差，比中期欧洲天气预报中心的综合预报系统低 10%，比高通的 AI 模型 FourCastNet 要低 30%。

在台风轨迹预报方面，论文用 2018 年 25 号和 26 号台风进行了比较，结果显示，盘古气象大模型具有明显优势。

欧洲中期天气预报中心在官网一篇文章为自己进行了辩论，拿了另一个台风举例，意思就是咱两预测轨迹都接近，但是你中心风速预测没有我准确。

这篇文章也对 AI 天气预测进行了肯定，但是这里你会发现，FourCastNet 又出现了，然后，它的表现直接被忽视。

FourCastNet 作为 AI 天气预测的前辈，被后浪拍死在沙滩上。

与华为盘古气象大模型不同，谷歌最新的 Nueral GCMs 是一个混合模型，核心分为两部分，一部分是像数值天气预测那样，由动力学方程模拟大气运动过程中的流体动力学和热力学；另一部分是机器学习，由神经网络解决一些无法用数理原理模拟的过程。

不过，在更长时间范围，比如 10-15 天的天气预测效果上，盘古大模型没有提及，另外一个国产的伏羲气象大模型在论文中提及 15 天的预测性能，与欧洲中期天气预测中心接近。

AI 天气预报，尤其是大模型天气预报的另一个优势是节能。

经过大量训练后的盘古气象大模型，能在 10 秒内完成全球 7 天重要气象要素的预报，计算速度比数值天气预报快 10000 倍以上。

数值天气预报要用到的超级计算机，每小时的耗电量超过 2 万度，相当于一座小城镇的耗电量。

人工智能已经显示出在天气预报方面巨大的潜力，但并非要淘汰传统的数值天气预报，未来更可能是两种模式共存，像谷歌的 Nueral GCMs 那样，两种模式合作，互为补充。

如果未来，天气预报的精度和预测水平能进一步提高，精准预测暴雨、龙卷风、冰雹等破坏力强的天气，人们有足够时间为灾害做足准备，那么生命和财产的损失将会大大降低，这也是无数气象科学家努力奋斗的目标。

老狐期待这一天的到来。

参考资料：

河南日报：3000多年前的“天气预报”，商人如何“占卜”？

浙江天气网：浅谈天气谚语

科创中国：天气预报竟然是这样“算”出来的

徐小峰：从物理模型到智能分析——降低天气预报不确定性的新探索

杜钧，钱维宏：天气预报的三次跃进

《nature》：Accurate medium-range global weather forecasting with 3D neural networks

《nature》：Neural general circulation models for weather and climate

ECMWF：The rise of machine learning in weather forecasting

中国国防报：超级计算机性能知多少

编辑：饿羊羊

查看原图 1.1M

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

•