熱帶氣旋（TC）作為極具破壞性的天氣系統，其登陸往往造成嚴重的災害性影響。因此，對TC路徑等關鍵要素的精準預報在防災減災工作中具有重要的現實意義。然而，TC的發展和移動受到復雜多尺度非線性過程的調控，導致預報結果存在顯著的不確定性。傳統的單一確定性預報難以定量描述這種不確定性特征。在此背景下，如何發展有效的集合預報方法以準確估計TC未來狀態的概率分布，進而定量表征預報不確定性，已成為當前TC預報領域最具挑戰性的國際前沿課題。

近年來，人工智能（AI）技術在氣象預報領域取得突破性進展，多個基於AI的全球預報大模型相繼問世，為大氣模擬研究提供了新的技術範式。這類模型主要基於ERA5再分析數據集進行訓練，其計算效率較傳統數值模式提升了數個數量級，並在關鍵指標上達到甚至超越了傳統數值預報水平。然而，將AI模型應用於TC集合預報仍面臨諸多挑戰：一方面需要充分發揮其在預報時效上的顯著優勢，另一方面還需確保預報結果能夠準確反映不確定性特征。其中，製約AI模型在集合預報中應用的核心問題在於其擾動增長動力學機製尚不明確，且缺乏與之相適應的有效擾動方案。

針對上述挑戰，我系穆穆院士團隊的博士生浦景晨（第一作者）在穆穆院士和馮傑研究員（通訊作者）的指導下，與沐鸣2平台人工智能創新與產業研究院和上海科學智能研究院的李昊研究員、仲曉輝博士開展合作研究，提出了一種基於物理約束的快速初始集合擾動生成方案。研究首先對FuXi大模型中不同類型擾動的發展動力學特性進行了系統性分析和比較。研究發現，FuXi模型中小量級擾動和隨機擾動的增長率顯著低於同等量級擾動在傳統動力模式中的發展特征，而具有特定空間結構且達到一定量級的擾動則表現出符合物理規律的合理增長特性。

基於以上理論分析，研究構建了基於演化動力的擾動生成方案（圖1）。通過對大樣本TC個例的集合預報評估表明，該方案在路徑集合平均誤差、離散度以及Brier評分（BS）、連續分級概率評分（CRPS）等多項概率技巧評分指標上均顯著優於歐洲中期天氣預報中心（ECMWF）的全球集合預報系統（圖2）。值得一提的是，本研究首次實現了2000個成員的大樣本TC集合預報試驗（圖3）。試驗結果顯示，隨著集合成員數量的增加，新方案能夠提供更為平滑的路徑誤差概率分布，顯著提升了對極端路徑事件的捕捉能力。此外，研究還初步驗證了該基於FuXi模型的集合方案能夠提供合理的集合擾動協方差估計，展現出在集合資料同化中的潛在應用價值。

本研究從理論和實踐兩個層面證實了AI模型模擬誤差增長、開展集合預報的可行性，為基於AI模型的集合預報研究提供了具有重要應用前景的擾動生成方案。

Pu, J., Mu, M., Feng, J.*, Zhong, X., and Li, H, 2025: A Fast Physics-based Perturbation Generator of Machine Learning Weather Model for Efficient Ensemble Forecasts of Tropical Cyclone Track. Npj Climate and Atmospheric Science, DOI: 10.1038/s41612-025-01009-9.

圖1 集合擾動生成方案示意圖

圖2. 所有113個臺風個例的集合預報技巧。圖 a1 給出了FuXi（綠線）和 IFS（黃線）的集合平均路徑誤差（實線）和集合離散度（虛線）。圖 a2 給出了FuXi（綠線）和IFS（黃線）集合路徑預報的 CRPS 評分。圖 a3 給出了FuXi（實線）和IFS（虛線）在30km（藍色）、60km（綠色）和120km（紅色）臨界值下的路徑預報BS評分。圖a1-a3中的指標均為西北太平洋74個臺風預報的平均值。圖a4-a6給出了FuXi和IFS的集合平均誤差、CRPS 評分和 BS 評分的相對差異。路徑誤差、CRPS和BS評分值越小對應預報表現越好。各圖中的星形（三角形）表示在90%（95%）置信水平下，FuXi的平均路徑誤差、CRPS 和 BS 評分顯著低於IFS的預報時長。圖b1-b6與圖a1-a6相同，但對應北大西洋的39個臺風預報。

圖3. 對於2021年9月9日0時起報的臺風“燦都”，由50個 IFS 業務預報集合成員（IFS-50，圖a-c）、50個FuXi 成員（FuXi-50，圖 e-g）和2000個FuXi 成員（FuXi-2000，圖i-k）組成的熱帶氣旋路徑集合預報。圖a-c表示 IFS-50的 24小時、72小時和120小時預報。