热带气旋（TC）作为极具破坏性的天气系统，其登陆往往造成严重的灾害性影响🧑🏻‍🍳。因此🦞，对TC路径等关键要素的精准预报在防灾减灾工作中具有重要的现实意义🖐🏼。然而，TC的发展和移动受到复杂多尺度非线性过程的调控👈🏿，导致预报结果存在显著的不确定性🏃‍♂️‍➡️👩🏼‍⚕️。传统的单一确定性预报难以定量描述这种不确定性特征🙍🏽‍♀️。在此背景下，如何发展有效的集合预报方法以准确估计TC未来状态的概率分布🎅🏽，进而定量表征预报不确定性，已成为当前TC预报领域最具挑战性的国际前沿课题。

近年来🥥，人工智能（AI）技术在气象预报领域取得突破性进展，多个基于AI的全球预报大模型相继问世➖，为大气模拟研究提供了新的技术范式📡。这类模型主要基于ERA5再分析数据集进行训练，其计算效率较传统数值模式提升了数个数量级👰‍♀️，并在关键指标上达到甚至超越了传统数值预报水平。然而🧑🏻，将AI模型应用于TC集合预报仍面临诸多挑战🐙：一方面需要充分发挥其在预报时效上的显著优势，另一方面还需确保预报结果能够准确反映不确定性特征。其中🈴🧑‍🧑‍🧒，制约AI模型在集合预报中应用的核心问题在于其扰动增长动力学机制尚不明确，且缺乏与之相适应的有效扰动方案♻。

针对上述挑战，我系穆穆院士团队的博士生浦景晨（第一作者）在穆穆院士和冯杰研究员（通讯作者）的指导下，与上海万事娱乐平台人工智能创新与产业研究院和上海科学智能研究院的李昊研究员👩‍💻、仲晓辉博士开展合作研究，提出了一种基于物理约束的快速初始集合扰动生成方案。研究首先对FuXi大模型中不同类型扰动的发展动力学特性进行了系统性分析和比较👨‍🦱。研究发现，FuXi模型中小量级扰动和随机扰动的增长率显著低于同等量级扰动在传统动力模式中的发展特征，而具有特定空间结构且达到一定量级的扰动则表现出符合物理规律的合理增长特性。

基于以上理论分析🐻‍❄️，研究构建了基于演化动力的扰动生成方案（图1）。通过对大样本TC个例的集合预报评估表明，该方案在路径集合平均误差🛝👨🏿‍🍼、离散度以及Brier评分（BS）🏃‍➡️、连续分级概率评分（CRPS）等多项概率技巧评分指标上均显著优于欧洲中期天气预报中心（ECMWF）的全球集合预报系统（图2）。值得一提的是🛰🥻，本研究首次实现了2000个成员的大样本TC集合预报试验（图3）。试验结果显示🤲🏼，随着集合成员数量的增加，新方案能够提供更为平滑的路径误差概率分布，显著提升了对极端路径事件的捕捉能力。此外，研究还初步验证了该基于FuXi模型的集合方案能够提供合理的集合扰动协方差估计𓀍，展现出在集合资料同化中的潜在应用价值。

本研究从理论和实践两个层面证实了AI模型模拟误差增长🤹🏻‍♀️、开展集合预报的可行性，为基于AI模型的集合预报研究提供了具有重要应用前景的扰动生成方案。

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.

图1 集合扰动生成方案示意图

图2. 所有113个台风个例的集合预报技巧🧒。图 a1 给出了FuXi（绿线）和 IFS（黄线）的集合平均路径误差（实线）和集合离散度（虚线）。图 a2 给出了FuXi（绿线）和IFS（黄线）集合路径预报的 CRPS 评分🩳。图 a3 给出了FuXi（实线）和IFS（虚线）在30km（蓝色）🛠、60km（绿色）和120km（红色）临界值下的路径预报BS评分。图a1-a3中的指标均为西北太平洋74个台风预报的平均值🤹🏻‍♂️。图a4-a6给出了FuXi和IFS的集合平均误差🏇🏿、CRPS 评分和 BS 评分的相对差异。路径误差、CRPS和BS评分值越小对应预报表现越好🤽🏽‍♀️。各图中的星形（三角形）表示在90%（95%）置信水平下，FuXi的平均路径误差、CRPS 和 BS 评分显著低于IFS的预报时长🎐。图b1-b6与图a1-a6相同，但对应北大西洋的39个台风预报🤹🏼‍♂️。

图3. 对于2021年9月9日0时起报的台风“灿都”，由50个 IFS 业务预报集合成员（IFS-50，图a-c）、50个FuXi 成员（FuXi-50，图 e-g）和2000个FuXi 成员（FuXi-2000🤵🏿‍♀️，图i-k）组成的热带气旋路径集合预报。图a-c表示 IFS-50的 24小时、72小时和120小时预报。