天气预报
概述
天气预报是通过观测资料和数值模型分析大气状态的物理变化，提前告知特定地区、特定时点天气的活动。其核心是用超级计算机求解流体力学和热力学方程的数值天气预报（NWP），近来基于人工智能的预报模型正快速实用化。预报由观测 → 资料同化 → 模型积分 → 后处理（偏差订正） → 传递等阶段构成。
主要内容
历史背景
古代农业社会的经验法则和谚语（例如“燕子低飞要下雨”）是天气预报的起源。近代预报始于1854年克里米亚战争期间黑海风暴导致舰队沉没事件后，法国的勒维耶绘制天气图。1922年理查森提出了数值预报的概念，1950年在美国ENIAC上进行了首次数值预报计算。1960年TIROS-1卫星发射后引入了卫星观测，1990年代集合预报逐渐普及。
观测体系
地面自动观测站（AWS）、无线电探空仪（每日2次，00·12 UTC）、飞机、船舶、浮标、多普勒气象雷达、静止轨道和极轨道气象卫星、GNSS大气可降水量、激光雷达、云高仪等对大气状态进行立体监测。观测值在全球实时交换，世界气象组织（WMO）的WIS/GTS体系负责此项工作。
数值预报模型
在网格上对动量方程、质量守恒、热力学方程、状态方程、水汽方程进行数值积分。云、辐射、湍流、地表过程通过参数化近似，网格分辨率越高，越能较好地模拟局地现象。代表性模型有ECMWF的IFS、美国GFS、英国UM、韩国型KIM、区域模式WRF等。为准确构建初始场而进行的资料同化（3D/4D-Var、集合卡尔曼滤波）左右着预报性能的一半。
集合预报与概率预报
反映初始条件和模型的不确定性，积分数十个集合成员，并以其分布给出降水概率、气温范围。由于混沌理论（洛伦兹的蝴蝶效应），确定性预报的有效极限约为2周，集合预报则以概率信息弥补这一极限。
预报的种类
分为临近（6小时以内）、短期（3天）、中期（10天）、长期（1个月）、季节预报、气候展望。农业、航空、海运、能源、建设、灾害安全等领域定制化预报（基于影响的预报）也在扩大。
准确度与局限
降水强度、局地集中暴雨、山区、对流性降水依然难以预测。为减少模式偏差，采用统计后处理（MOS、偏差订正）和多模式集合方法。
传递与利用
包括气象厅在内的公共气象机构和民间气象企业通过应用程序、广播、灾害短信、API传递预报。预报超越单纯的信息提供，成为防灾、物流、农业、电力供需、保险等社会经济系统决策的基础。
最新动态
2023年以后，基于AI的预报正在改变格局。DeepMind的GraphCast、华为的Pangu-Weather、FourCastNet、FuXi、GenCast等以比现有数值模式快数百至数千倍的速度，展现出相近或更好的准确度。ECMWF于2025年将AIFS（AI综合预报系统）整合进业务体系，韩国气象厅也在推进AI预报模型试运行和1小时单位临近降水预报的升级。另一方面，随着气候变化导致酷暑、集中暴雨、台风等极端天气频率升高，概率预报、基于影响的预报和风险沟通的重要性日益增大。利用卫星、无人机、民间数据等非传统观测资料开展资料同化和公里级超高分辨率集合也是主要趋势。
相关主题
- [[수치예보]]
- [[기상청]]
- [[기상위성]]
- [[기후변화]]
- [[인공지능]]