GraphCast机器学习模型将大气可预报性扩展至30天以上

作者：袖梨 2026-06-03

一项基于GraphCast机器学习模型的新研究，通过优化初始条件，将大气可预报性从传统认知的两周极限一举扩展至30天以上。该研究直接挑战了气象学界长期以来的固有认知——快速的小尺度误差增长本应让确定性天气预报在14天后失去技能，但GraphCast用实际数据证明了这一结论可以改写。

研究团队针对2020年每天两次的预报进行优化，结果相当惊人：在10天预报中，平均误差相比对照组降低了86%，并且气象技能持续超过30天。凭什么传统方法做不到？其实，关键就在于初始条件的精准度——GraphCast通过机器学习从历史数据中找出了误差增长最慢的那些初值组合。

GraphCast到底是什么？简单说，它是一个纯机器学习驱动的天气模型，靠“记住”过去的大气演变规律来做预报，而不是依赖传统物理方程组。咱们平时看天气预报，本质是解一大堆偏微分方程，一旦初始条件有微小偏差，误差就飞速扩大。而GraphCast的做法更聪明：它直接把全球大气状态当成高维数据，用神经网络学习模式，再反过来找最优的初始场。

这种思路确实颠覆了气象学的基本假设。传统模型中，小尺度扰动会迅速向上传播，导致两周后的预报与随机猜测无异。可GraphCast的优化初始条件似乎能把那些“捣乱”的噪声提前过滤掉，让大尺渡环流的信号得以保留更久。这算是一个思路上的重大突破——与其绞尽脑汁改进模型本身，不如先搞清楚“从什么地方开始算”最靠谱。

意义有多大？如果30天以上的可预报性能稳定实现，那农业、能源、防灾等领域的决策窗口将大大延长。想想看，一个台风或寒潮的路径能提前一个月锁定，而不是仅仅提前一两周——这能减少多少损失？当然，目前这项研究还基于再分析资料的实验，实际业务化需要更多验证。但至少，它用机器学习给大气科学打开了新的大门。