當颶風梅麗莎在加勒比海生成時，牙買加氣象部門還依靠傳統數值模型——這類模型通常只能給出 3-5 天的確定性預報，且對路徑的微小偏差十分敏感。2024 年那次歷史性登陸前，國家颶風中心測試了一個名為 WeatherNext 的 AI 模型，結果讓預報員們大吃一驚。
這個由 Google DeepMind 開發的模型，並非簡單的「計算更快」。它採用 概率性預測 思路，一次執行輸出成千上萬條可能路徑及其概率，而不是一條「最佳路徑」。在梅麗莎案例中，WeatherNext 提前 7 天就給出了牙買加方向的高概率區間，而傳統模型直到登陸前 48 小時才明顯向右調整。
多出兩天的準備時間意味著什麼
對於加勒比島國，提前量就是生命線。牙買加應急管理部門在 WeatherNext 首次提示高風險後，就啟動了早期疏散演習。實際登陸點與模型 5 天前預測的著陸區誤差不到 20 公里——這對颶風預測而言已是驚人精度。
實際影響 是雙重層面的：一方面，預報員獲得了更長的決策視窗；另一方面，公眾對預警的信任度顯著提升。通常「狼來了」式的誤報會讓居民疲勞，但 WeatherNext 在連續測試中保持了較高的命中率。
它如何與傳統預報共存？
國家颶風中心並沒有用 AI 替換現有模型。他們將 WeatherNext 作為一個 並行參考工具，在分歧點時用作判斷依據。一位參與評估的預報員提到：「AI 模型擅長捕捉大氣模式中的非線性關係，這是傳統方程難以抽象的。」 但 WeatherNext 也存在侷限：它對極端事件（如快速增強）的表現依然不如物理模型穩定，因此兩者互補是最優策略。
實用要點與行業啟示
- 不要神話 AI：WeatherNext 在常規颶風路徑上表現優異，但對罕見路徑（如轉向異常）仍需人類介入驗證。
- 概率輸出是殺手鐗：相比確定性預報，概率圖讓地方政府能更靈活地制定分級響應方案。
- 開放資料是關鍵：DeepMind 使用了歷史再分析資料訓練，但實際部署需要接入實時觀測，這對多國協作提出挑戰。
下一步：AI 能否取代天氣模型？
短期內不會。但 WeatherNext 證明了機器學習在縮短預測滯後、擴大預報視野方面的潛力。英國氣象局和歐洲中期天氣預報中心也在嘗試類似路徑。對普通使用者而言，下次手機天氣 App 突然推送「登陸概率 70%」的警報時，背後可能就有 AI 的影子。
天氣預測正從「盡力模擬物理」轉向「從資料中學習規律」，這一轉變可能讓更多社羣在災難降臨前贏得寶貴的黃金時間。也許幾年後，AI 將會成為氣象臺的常規配置——而梅麗莎颶風，正是那個開啟局面的案例。
評論
暫無評論
成為第一個評論的人