MIT 以 AI 校正氣象模型，瞄準未來兩至六週風險趨勢
據 TechNews 科技新報 報道，麻省理工學院（MIT）研究團隊以 AI 為既有天氣預報模型加上一層誤差校正，目標是改善未來兩至六週、即「次季節」尺度的預報。報道稱，方案在歐洲中期天氣預報中心（ECMWF）國際預報競賽中獲第一名，並指其預測力達原有方案兩倍。
這類技術的價值，在於把「數星期後可能出現甚麼風險」變得更有參考性，而非把一個月後某日的天氣說得準確無誤。對受暴雨、酷熱及熱帶氣旋影響的地方而言，若能較早辨識較高機率的異常天氣趨勢，戶外活動、航空調度、能源需求和應急物資安排都有較長準備時間；但這不表示香港天文台已採用相關技術，也不能據此預報某個風暴的路徑或登陸時間。
AI 介入的是「校正」，不是從零預報天氣
大氣系統具混沌特性，起始狀態即使只有細小偏差，經過一段時間後也可能導致截然不同的結果。因此，預報期拉長時，單靠即時大氣狀態推演的準確度會快速下降。
TechNews 科技新報 指出，MIT 的做法不是另建一套完整氣象模型，而是把歷史預報與實際觀測資料交給機器學習系統，讓它辨認既有模型在不同天氣情境下常出現的偏差，再調整輸出結果。與套用固定修正值相比，這種方法嘗試捕捉較複雜、會隨情境改變的誤差模式。
從應用角度看，這相當於在原有物理模型外加設「品質檢查員」：物理模型仍負責模擬大氣演變，AI 則根據過往表現估計結果在哪些情況可能偏高、偏低或遺漏風險。其成效會取決於訓練資料能否涵蓋足夠多的天氣型態，以及新環境是否仍與歷史資料存在可學習的規律。
可提早判斷風險，不能把趨勢當逐日預報
報道稱，這種校正對異常寒冷及洪水等極端事件的預報尤其有幫助。原因是傳統校正有時會把結果拉向平均值，令低機率但高影響的事件訊號被削弱；AI 若能學到更細緻的偏差特徵，理論上可保留更多異常訊號。
不過，次季節預報本質上應理解為風險和趨勢資訊。例如未來數週出現偏濕、偏熱或寒流風險上升，與「下月某日必定下雨」是兩回事。它較適合作為資源調度、輪班、人手、備貨和活動預案的輸入，而不是取代短期天氣警告或即時防災決定。
「預測力達原本兩倍」亦要審慎閱讀。TechNews 科技新報 未有在報道內列出競賽的具體評分指標、比較基準、地區範圍及不同預報項目的成績，因此該數字可說明方案在該競賽表現突出，未足以直接推論為所有地區、所有天氣類型均有同等幅度的提升。
開源與運算門檻或影響採用速度
TechNews 科技新報 另稱，團隊已公開原始程式碼，執行時亦毋須超級電腦。若相關工具能順利接入不同機構既有的預報流程，門檻較低的後處理方法有機會讓更多單位測試中期風險預報的改善幅度。
下一步值得觀察的，是這套方法在不同地區、不同季節和罕見極端事件上的穩定性，以及氣象機構會如何把機率資訊轉成易於決策者採用的風險提示。對公眾而言，較早知道「未來幾週風險可能上升」很有用，但仍應配合接近事件時的正式短期預報和警告。
延伸閱讀
AI 輔助說明： 本文由 AI 協助整理，並經兩輪獨立自動品質審核；資料及連結仍以原始來源為準。
參考來源
- TechNews 科技新報 — AI 助攻天氣預報，可望提前六週掌握天氣趨勢 — original report
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
