Google AI Model WeatherNext Cyclones Achieves SOTA Tropical Cyclone Forecasts
Google and multiple meteorological agencies published WeatherNext Cyclones (WN-C), an AI model for tropical cyclone forecasting, featured on the cover of Nature. WN-C generates state-of-the-art ensemble forecasts for global tropical cyclone tracks, intensity, and size over 15 days, trained on global analysis data and historical cyclone records. It bridges the gap between global model track forecasts and high-resolution regional model intensity forecasts, with track forecasts exceeding the best global models by over one day and intensity forecasts outperforming specialized models like HAFS, despite using coarser input resolution.
Coverage timeline
机器之心ScienceAI
编辑丨coisini 最近几年，人工智能（AI）已成为天气预报中一种强大的新范式。与数值天气预报（NWP）系统相比，AI 在预测大气状态方面实现了更优的预报精度和速度。 台风作为最危险、造成损失最大的天气现象之一，其预报仍然具有挑战性。近期，谷歌联合多家气象机构发布了一种专门针对台风等热带气旋的气象预报模型 ——WeatherNext Cyclones（WN-C）。 WN-C 可对全球热带气旋的路径、强度和尺度生成最先进的集合预报。通过在全球分析数据与全球历史热带气旋数据库上进行训练，WN-C 能够生成未来 15 天全球天气和气旋可能情景集合。 研究论文以《Operational tropical cyclone forecasting with AI》为题登上了最新一期《Nature》封面。 论文地址：https://www.nature.com/articles/s41586-026-10953-2 突破预报瓶颈 AI 模型在热带气旋路径预测方面展现出最先进的水平，但由于分辨率较低（约 28 公里），它们继承了 0.25° 全球分析数据的强度偏低偏差。强度预报能力差已被认为是 AI 天气模型的一个主要局限。 为了在稀疏的表格式 IBTrACS（国际气候管理最佳路径档案）数据上端到端地训练 WN-C，研究团队应用一个确定性映射，将气旋轨迹数据转换为 0.25° 网格上的网格化张量。当训练好的模型生成网格化气旋场预测后，研究团队再应用追踪算法将其映射回表格式气旋轨迹空间。该框架将气旋存在及其属性的可微预测与其追踪分离开来，并确保预测气旋的存在、位置和物理属性均由同一学习到的表征所支配。 WN-C 成功弥合了全球模型路径预报与高分辨率区域模型强度预报之间长期存在的性能差距。具体而言，其路径预报相比最佳全球模型具有超过 1 天的预报时效优势，同时其强度预测优于 HAFS 等专用模型，这是此前全球 AI 系统无法企及的能力。 值得注意的是，WN-C 所使用的输入分辨率甚至比全球模型更粗，比区域模型的精细网格粗几个数量级。这表明高分辨率并非准确预报气旋强度的必要条件。大尺度大气数据所包含的强度信号比此前认识到的更多，这为领域带来了新的挑战和机遇。 热带气旋预测 为了评估在热带气旋预测方面的能力，该研究将 WN-C 的路径预测精度与 ENS（该任务全球领先的业
