[LG]《Numerical models outperform AI weather forecasts of record-breaking extremes》Z Zhang, E Fischer, J Zscheischler, S Engelke [University of Geneva & ETH Zurich] (2025)
人工智能天气预报虽在多项指标上表现优异，但面对破纪录极端天气仍难超越数值模式。
• 研究基于2018和2020年超大规模极端气候事件数据，比较欧洲中期天气预报中心（ECMWF）高分辨率数值模式HRES与最先进AI模型（GraphCast、Pangu-Weather、Fuxi）表现。
• 在常规天气预报任务中，部分AI模型在2米温度和10米风速预报上优于HRES，尤其是中长预报时效。
• 然而对于破纪录的极端高温、低温和大风事件，HRES在几乎所有预报时效均表现更优，误差更小，尤其是在短期预报中优势明显。
• AI模型普遍低估极端事件的强度和频率，表现为对高温和风速破纪录事件的系统性低报，对低温破纪录事件则有过度预报倾向，且误差随极端程度线性增长，显示存在“软上限”限制。
• 物理基础的HRES模型因依赖大气运动的微分方程，具备更强的外推能力，无需局限于训练数据范围，能更好应对快速变暖背景下的极端“黑天鹅”事件。
• 研究强调当前AI天气预报模型在极端事件外推能力上的结构性局限，指出在高风险预警和灾害管理中，数值模式仍不可或缺。
• 提出未来可通过物理与AI混合建模、数据增强（引入模拟极端事件）、以及强化极值学习目标等路径提升AI模型的极端天气预报能力。
• 结论提醒：AI与数值模式应并行发展，持续严格验证，确保极端气候事件预报的可靠性与社会应用安全。
详细内容👉 arxiv.org/abs/2508.15724
人工智能 天气预报 极端气候 数值模式 气候变化 灾害预警
