（总台央视记者 刘璐璐） 责编：张青津、卢思宇 中国气象局今天上午举行新闻发布会，会上发布《地球系统预报发展战略（2025—2035年）》。 地球系统预报是将地球各个圈层作为一个相互耦合的整体，在统一框架下对大气、海洋、陆地、冰冻圈 和生物圈等多圈层进行综合模拟和预测的预报体系。与传统预报相比，二者基础理论和技术体系一脉相 承，同样依托观测资料、物理规律和高性能计算支撑。但传统预报主要聚焦大气、侧重天气现象刻画， 而地球系统预报通过融合数值模式、人工智能和数字孪生等先进技术，实现对多圈层相互作用及其反馈 机制的整体表征，不仅拓展了预报对象的覆盖范围，也更加注重风险形成、演变和影响评估，能为防灾 减灾、应对气候变化和服务经济社会发展提供更有力的科技支撑。 《战略》系统规划了八大重点任务。 《战略》的目标：到2035年，要建成自主可控、国际先进的地球系统预报体系。这个目标将通过两个阶 段稳步推进。未来五年内，重点实现新一代预报模式的业务化运行，并建成气象人工智能模型的统一基 础框架。推动各项技术的深度融合，发布第一代地球系统数字服务平台。在2030年至2035年间，全面建 成统一框架的地球系统预报体系，显著提升对 ...

天气预报从来不是简单的"看云识天气"，而是一场与自然规律的持久博弈。面对短临强对流天气 的"猝不及防"、气候变化带来的极端天气频发等难题，气象工作者从未停下攻坚克难的脚步。他们组建 科研团队，进行数值预报模式研发，让预报时效从小时级向分钟级延伸；他们与陆海空天一体化观测共 同成长，让智慧气象服务平台实现预报预警信息精准推送……这背后是他们无数个日夜的钻研与坚守。 为了让天气预报更准一些，他们在平凡的岗位上书写着不平凡的人生，为人民群众的美好生活贡献 力量。 坚持百分百努力 天气预报可不可以更准？ 国家气候中心首席预报员高辉的答案是："天气预报不可能100%准确，但我们在付出100%的努 力。" 节奏是跳跃的，压力是常态的，责任更是重大的。高辉这样描述首席预报员的工作状态："很多时 候，思维的切换必须在瞬间完成。短短一个上午，可能刚与华南的同事会商完台风动态，紧接着就要转 向华北研判高温干旱，或是和西南的同事会商秋雨。" 而他和天气打交道，源于一场滞留。1998年盛夏，长江流域发生罕见特大洪涝灾害。高辉陪着因铁 路受损返乡无望的舍友，在宿舍里听了半个月的风雨声。"那时我就想，如果能提前一个月，甚至更早 预见这种 ...

研究背景与挑战 - 数值天气预报（NWP）是天气预报领域的主流手段，通过求解大气动力学方程组模拟温度、气压、风速等关键变量的演变过程[1] - 现有AI气象模型假设所有气象变量在训练和预测时可同步获取，但实际观测数据来源多样、采集频率不一，存在数据异步性问题[2] - 数据异步性导致模型引入新变量时必须全量重新训练，带来极高的计算成本[2] 核心技术：VA-MoE模型 - 研究团队设计了“增量天气预报（IWF）”新范式，推出“变量自适应专家混合模型（VA-MoE）”[2] - 模型通过分阶段训练与变量索引嵌入机制，引导不同专家模块专注特定类型气象变量[1][2] - 当新增变量或站点时，无需全量重训即可实现模型扩展，在保障精度的同时大幅降低计算开销[1][2] - 模型以Transformer为核心backbone，并针对气象数据的多尺度、强关联特性做了关键优化[11] - 采用“多任务联合损失”机制，兼顾预报精度与物理一致性，包含动态预测损失和重建损失两个核心部分[14] - 构建“专精+协同”的专家体系，为每类变量配置独立的“通道自适应专家”，并设置“共享专家”模块整合局部信息[15] 实验设计与数据 - 研究以欧洲中期天气预报中心（ECMWF）发布的ERA5数据集为实验基础，覆盖1979年至今的连续气象观测数据[5] - 常规实验采用0.25°空间分辨率（对应网格尺寸721×1440），消融实验采用1.5°分辨率版本（网格尺寸128×256）[5] - 数据集划分为高空变量（Z、Q、U、V、T等5种类型，定义在13个不同气压层上）和地面变量（T2M、U10、V10、MSL、SP等）[6][9] - 初始训练阶段采用1979-2020年的40年数据，增量训练阶段使用2000-2020年的20年数据，测试阶段选取2021年全年数据[8] 性能验证结果 - 在地面与高空变量预测中，VA-MoE的预测精度与Stormer、GraphCast相当，并显著优于ClimaX、FourCastNet等模型[18] - 基于40年数据以增量模式训练的VA-MoE，仅需标准迭代次数的一半即可达到相近精度[20] - 即使数据缩减至20年、迭代次数降至四分之一，模型仍可维持业务可用的精度[20] - 在500hPa位势高度（Z500）的长期预报中精度有所提升，验证了其“学新不丢旧”的能力[20] - 与视觉Transformer及其专家扩展版本对比，VA-MoE精度显著更高，尽管参数量接近VA-MoE的两倍[21] 行业发展趋势 - 全球学术界与企业界正形成合力，持续推动气象建模范式的深度革新[22] - 剑桥大学、艾伦·图灵研究所与微软研究院联合开发的“Aardvark Weather”实现了从多源观测数据到高分辨率预报的直接映射[23] - 复旦大学联合多家机构研发的FuXi-Weather系统实现了从卫星亮温到预报结果的完整端到端建模[24] - 谷歌DeepMind的GraphCast可在1分钟内完成未来10天的全球天气预报，在1380个测试变量中超过90%的指标精度优于HRES系统[25] - 微软的Aurora大模型在天气、空气质量与海浪预测等多任务中实现89%的综合准确率，计算速度较传统数值模型提升5000倍[25]