近期，各地频现暴雨、大暴雨以及雷电大风等恶劣天气。极端气候现象的增多，让不少人对天气预报产生了疑问：数天后的天气究竟如何预测？为何有时预报精准，有时又偏差较大？我国现有的天气预警预报技术实力怎样？本文将围绕这些问题，请北京市气象局高级工程师拉萨为我们进行解读。
日常所见的天气预报究竟是如何计算得出的呢？现阶段的预报，早已不是简单的“看云识天气”，而是通过“数值预报模式”结合“AI气象大模型”并综合预报员的判断进行综合分析。短期到中期初期（1-14天）的预报，预报员通常会对比分析多个数值模式的结果，最终确定预报内容。而短临预报（0-3小时），则更多依靠雷达、卫星图像、高密度自动站以及风廓线等每分钟甚至每秒更新的多源观测数据，尤其是在夏季强对流天气的预测中，这些数据发挥着极为重要的作用。
1 数值模式(NWP)
数值模式(NWP)是当前短中期天气预报的主要手段。其运算原理是将地球大气体划分成密集的三维网格点。通过解算描述大气运动的物理方程组（即流体力学和热力学方程），推算出每个网格点上的温度、气压和风速在未来几分钟到几小时内的变化情况，按此逐次推算出未来10天的天气状况。目前，既有10km左右分辨率的全球数值模式，也有精细到1km的区域模式。北京市气象局还研发了“分钟级，百米级”的高分辨率快速更新数值模式系统。
2 AI气象大模型
AI气象大模型并不解算复杂的物理方程，而是通过海量历史气象数据的训练（例如过去40年的全球数据）来学习“昨天这样的天气，明天通常会变成什么样”的统计规律。一旦完成训练，它可以极快的速度（几分钟内就能完成10天预报）进行预测，并在某些指标上达到与传统模式相当的水平。但AI模型缺乏物理解释能力，且预报中存在“平滑效应”，可能会出现极值削弱的情形。我国已逐步建立了基于国产人工智能大模型的气象预报体系，“风雷”、“风清”、“风顺”、“风宇”等系列气象预报模型相继推出，部分核心指标达到了国际先进水平。其中，“风清”模型独创了神经状态转移架构网络，其性能已跻身国际顶尖行列；“风雷”则作为首个引用大气物理方程约束的短临预报业务模型，实现了3小时预警提前，雷达强回波预报准确率提升25%，在多次强对流天气中发挥了重要作用。
总体而言，借助“数值预报模式 + AI气象大模型 + 预报员综合研判”这一协同机制，当前24小时城镇天气预报准确率可达到大约85%，气温误差控制在1-2℃以内，为公众出行提供了可靠保障。
为何感觉预报有时不够准确？
极端天气预警预报的难点何在？尽管24小时城镇天气预报准确率可达85%，但在遇到极端暴雨、超强台风、突发龙卷风等灾害性天气时，人们常感觉预警滞后或预报失准。实际上，这不是人力所能及或不能及的问题，而是极端天气的发生机制和路径比普通天气更为复杂，模拟和观测都面临着极大挑战。从观测、模式到机理，我们可以逐一分析这些难点。
1 观测的“盲区”与“局限”
许多极端天气（例如龙卷风、突发性强对流）具有空间尺度小（仅数公里）、生命期短（生成至消散不足一小时）的特点。现有的全球观测网络在时空分辨率上存在不足，特别是高空观测（如探空气球，一天两次，站点分布较为稀疏）难以做到全天候、全覆盖。在高原和山区地区，观测站点稀疏，导致极端天气生成初始阶段的捕捉和监测存在“盲区”。
2 预报模式的“分辨率”与“物理过程”瓶颈
尽管数值预报模式取得了不断进步，但全球模式的网格大小普遍仍在十公里量级，无法实现足够高的精细度。
