台风沙德尔【谷歌FNV3模式五天内的预报准度有下降】图1-6为8月23日以来，谷歌FNV3模式在预报台风沙德尔时的袭击概率预报，可见两天前，集合平均还基本指向福建中部，两天后集合平均已北抬至浙江南部，且台州附近的概率也在加大。

在FNV3模式正式上线并业务化运行两年以来，在台风的预报上可以说是非常不错，去年在路径预报上总体是优于传统集合，尤其是当它的集合收束并进入120小时内时，基本是FNV3的斩杀线，准度很高。

但最近3个月左右的台风预报，感觉FNV3模式的预报准确性和稳定性较去年是有所下降，哪怕是集合收束后，依然会有不少调整，就像这次的台风沙德尔一样，距离台风登陆我国已不足3天，但预报依然未稳定下来，还在波动调整，不稳定。

我去查了一下相关的资料，发现FNV3近几个月不稳定的表现可能和ECMWF在今年5月份的一次升级有关。今年5月，EC升级了初始场Cycle 50r1，升级的目的是为了提升预报精度。它引入了更精细的海洋模型、新的同化算法，按理说应该让初始场更接近真实大气。

这些主流AI模型在平时训练时，模型见过的初始场都来自旧EC系统（如Cycle 48r1），这些初始场有自己的统计特征，比如某层的温度偏差、湿度梯度分布等。

AI模型本质上是一个超级函数拟合器。它在训练时看了成千上万组旧初始场 旧预报结果的配对，学会了从旧初始场到旧预报结果的映射关系。AI学的是旧数据的统计规律，而不是传统数值求解方程组的物理规律。

所以当这个训练的初始场数据升级后，AI再去训练时就像是换了一张新地图，很多时候处于懵逼状态，只能按照旧的方法继续推测输出。而台风的生成、发展和路径依赖于大尺度环境场的精确刻画。初始场中任何一个层面的微小偏差，都可能被放大成路径上的巨大漂移。

我们的AI模型缺乏物理一致性，传统模式的初始场如果变了，模式内部的能量守恒、质量守恒等物理约束会自动修正。AI模型没有这些约束，它只是看到输入变了，然后按照训练时学到的统计关联去输出，而这种关联在新初始场下可能完全不成立。

所以，我们在看/分析台风的路径时，不能只看某一家模式的预报，AI模型和传统模式都要结合起来看，多模式对比分析。当然，这种问题看看之后的升级中能否引入一些物理方程的约束，在预报有偏差时好歹能纠正一下误差，或者是融合传统模式的预报，互相学习，取长补短。台风