精准、快速、高时空分辨率的天气预报，正成为可再生能源优化调度和极端天气应急响应的核心支撑。传统数值天气预报（NWP）基于物理方程求解，虽成熟可靠，但计算成本高昂且受模型近似限制。《碳中和科技评论（英文）》期刊发表了杭州米塔碳公司王彬等撰写的综述文章《基于深度学习的全球天气预报：应用与挑战》，系统梳理了深度学习在天气预报领域从分类回归、数值模型融合到大规模气象大模型的全景图。

Wang B, Zhu S, Wu L, et al. Global weather forecasting through deep learning: applications and challenges. Technology Review for Carbon Neutrality, 2025, 1: 9550021. //doi.org/10.26599/TRCN.2025.9550021

一、核心观点速览

文章从分类任务、回归任务、数值模型融合、大规模气象大模型四个维度，系统评估了深度学习在天气预报中的发展现状与核心挑战。

分类任务：从天气识别到极端事件探测

深度学习在气象分类中表现突出，覆盖天气状况分类（阴、雾、雨、晴、日出）、气旋分级（热带低压至超强台风）以及基于雷达回波的降水分类。

天气图像分类：CNN+ SVM混合模型准确率达96%，无监督聚类方法（语义特征向量+最近邻）准确率约65%，在有标签数据有限场景下展现出潜力。

热带气旋分级：TCICENet（级联深度CNN）基于红外静止卫星图像实现西北太平洋气旋强度分类，准确率约81%；三维CNN方法利用空间特征与强度变化相关性，准确率达94%。

雷达回波降水分类：随机森林+CNN组合方法使暖季降水误报减少77%、漏报减少82%；针对飑线的深度CNN检测模型AUC超95%。

回归任务：从单变量预测到时空序列建模

回归任务聚焦温度、湿度、风速、太阳辐照度等连续变量的数值预测，模型架构经历了从纯时空网络到混合架构的演进：

CNN系列：多层CNN结构在德国近地面臭氧浓度预测中，前两日表现优于传统化学传输模型。

LSTM/RNN系列：LSTM在小时级太阳辐照度预测中表现突出；Transductive LSTM（T-LSTM）利用局部信息提升时序预测精度。

时空融合网络：ConvLSTM融合CNN空间特征与LSTM时序特征，用于数值温度预报偏差校正；TrajGRU在西北太平洋12–120小时风场预测中兼顾精度与计算效率。

Transformer系列：TENT（张量化编码器Transformer）利用张量注意力理解时空天气模式；SwinUNet3D将卷积块替换为3D移位窗口Transformer；PoET（集成Transformer后处理）使全球2m温度预报技巧提升20%。

数值天气预报与深度学习的融合

文章强调，深度学习与NWP并非替代关系，而是日益深度融合：

气象降尺度：将低分辨率全球气候数据转化为高分辨率区域数据。SRCNN实现低–高分辨率图像端到端映射；ESRGAN通过RRDB模块和优化对抗损失提升视觉质量；SRDiff（扩散超分模型）首次引入扩散方法优化数据似然变分边界，解决过平滑和模式崩塌问题。

大规模气象大模型：以超大规模参数突破传统深度学习在中期（7–15天）预报中的精度瓶颈。文章梳理了FourCastNet（NVIDIA）、Pangu-Weather（华为）、GraphCast（DeepMind）、FengWu、FuXi、NowcastNet等大模型的技术特点和表现。

图：深度学习在天气预报中的应用

二、挑战与未来方向

不确定性与可解释性： 模型通常缺乏透明度且难以量化初始条件的不确定性，未来需构建物理引导的可解释性框架，将模型推理过程与物理守恒定律结合。

极端天气预测： 极端事件样本匮乏是当前瓶颈，未来研究重点在于利用生成式 AI 扩充极端样本以及开发事件导向的混合模型。

实时数据同化： 相比耗时的数值同化，深度学习有望通过流式数据（如卫星、雷达、IoT 传感器）实现实时滚动同化，建立全新的自适应同化框架。

Wang B, Zhu S, Wu L, et al. Global weather forecasting through deep learning: applications and challenges. Technology Review for Carbon Neutrality, 2025, 1: 9550021. //doi.org/10.26599/TRCN.2025.9550021