台风 " 脾气 " 难以捉摸，不同气象模型的预测路径可以偏差几百千米。尽管人工智能（AI）的加入能让模型 " 算得更快 "，但气象学家还希望它能说清台风 " 可能偏到哪里 "，更说出得出结论的理由，打破纯数据模型的 " 黑箱 " 困局。

近日，中国科学院大气物理研究所段晚锁研究员团队，与复旦大学李昊研究员和中国气象局地球系统数值预报中心韩威研究员等联手，将我国自研 AI 气象大模型 "FuXi" 与我国学者自主发展的非线性动力学方法深度融合，成功研制了 FuXi-CNOPs 集合预报系统。

大量对比试验显示，该系统的台风路径预报能力显著超越国际主流的欧洲中期天气预报中心业务集合预报系统，为 " 可解释、可信赖 " 的 AI 气象预报开辟了新路径。相关成果以封面论文刊登于《大气科学进展》。

更少 " 兵力 " 完成更精准 " 侦察 "

相比于传统预报和其他 AI 气象模型，集合预报的思路，相当于给台风路径做 " 可能性推演 "：在计算机里生成多个不同的初始场景，模拟出一组可能走向，再从中判断风险。

欧洲中期天气预报中心的 IFS_EPS 系统是目前国际公认的 " 标杆 "，它每次要用 51 个不同的初始场 " 成员 " 来做模拟。而 FuXi-CNOPs 系统仅用 31 个 " 成员 "，便取得了更高的整体预报技能。

研究团队选取 62 个典型台风个例，开展了 91 次集合预报对比试验。结果显示，在 24 小时内短时预报中，两个系统旗鼓相当；但在延长到 120 小时的中期预报里，FuXi-CNOPs 的优势持续扩大，路径误差最大降幅达 32.33%。而且，它对台风移动速度、方向的刻画更加稳定，量化预报不确定性的准确度最高提升 29.2%。

" 这相当于用更少的‘兵力’完成了更精准的‘侦察’。" 段晚锁研究员解释，其中的秘诀在于他们在 FuXi 模型中引入了自主发展的 " 正交条件非线性最优扰动 " 方法——它像一把精准的手术刀，能从海量初始数据中，直接揪出对台风路径影响最大的关键不确定性源头，避免了无意义的重复计算。

给 AI 气象模型装上 " 可解释大脑 "

纯数据驱动的 AI 模型常被诟病为 " 黑箱 " ——输入数据，输出结果，中间逻辑说不清。而 FuXi-CNOPs 的核心突破，恰恰在于给 AI 装上了 " 可解释的大脑 "：它生成的初始扰动不是随机数字，而是有明确物理含义的 " 天气信号 "。

研究发现，这些最优扰动的能量分布有着清晰的规律。段晚锁解释，在水平方向上，它们高度集中在三个关键区域：台风内核区、螺旋雨带，以及副热带高压与台风环流相互作用较强的区域，" 这些地方正是台风结构演变与环境引导气流变化的敏感地带，微小的初始误差一旦进入这里，就会像滚雪球一样被非线性放大。" 而在垂直方向上，扰动能量呈现出独特的 " 双峰分布 "。

" 这好比给台风做了一次全身体检，哪里容易出问题，一目了然。" 李昊介绍，这种对敏感区的精准定位，不仅让预报结果更可信，也为预报员理解误差来源提供了物理依据。更重要的是，FuXi-CNOPs 无需额外训练超大规模模型，大幅降低了计算资源消耗，更利于在业务预报中落地。

据悉，研究团队接下来将在现有初始扰动构建的基础上，进一步引入模式扰动模块，同时优化初始误差和模式误差，有望进一步提升台风路径和强度的预报技巧和水平，并将该技术体系逐步拓展到暴雨、强对流等其他高影响天气的集合预报场景中。