為什麼準確的天氣預報仍然困難：即時數據的關鍵作用

打開天氣預報應用程式後，過程似乎很簡單：選擇一個地點，設定時間，然後查看結果。

但在這塊螢幕背後，隱藏著科學面臨的最複雜的預測問題之一。

大氣層是一個不斷變化的三維系統。

任何模型在預測接下來會發生什麼之前，必須先回答一個出乎意料的複雜問題：此時此刻，大氣層究竟在做什麼？

我們永遠無法看到大氣層的全貌。

沒有哪一種單一儀器能夠提供完整的天氣資訊。天氣雷達探測降水粒子。衛星從太空監測雲層、濕度和溫度。地面站測量各地點的具體情況。氣象氣球和飛機則從不同高度提供資訊。

這些資料來源各自具有不同的精度、更新頻率、覆蓋範圍缺口和測量誤差。因此，建造當前的大氣狀況圖就好比用指向不同方向、更新時間各異的攝影機重建整個城市的交通流量，而這些攝影機往往會遺漏許多街道。

氣象學家將觀測結果與以往預報結合的過程稱為「資料同化」。這個過程會產生對當前天氣狀況的估計，稱為分析結果，作為下一次預報的起點。

正如歐洲中期天氣預報中心（ECMWF）所解釋的那樣，預報的品質在很大程度上取決於分析的準確性。即使是最好的模型，如果其初始圖像不完整、不準確或過時，也會難以發揮作用。

為什麼天氣應用程式可能會產生誤導？

短期預報中常用的一種技術是光流法。此技術分析連續的雷達影像，估算降水的移動方向，然後將此移動方向外推到未來。當雨帶穩定移動時，這種方法效果很好。然而，問題在於風暴並非只是在地圖上滑動的靜態形狀；它們會形成、增強、減弱、分裂和合併。一個新的對流單體可能出現在20分鐘前還未下雨的區域。

想像一下，一場風暴正逼近一座山峰。簡單的推斷可能會預測它會繼續以相同的速度移動。但實際上，地形會改變氣流，減緩風暴系統的移動速度，並導致強降雨或冰雹的出現。因此，挑戰不僅在於預測當前降水的移動方向；一個有效的模型還必須預測天氣系統本身將如何變化。

另一個問題是，大型模型擅長描述跨越國家和地區的鋒面、氣壓系統和大氣環流。但許多影響民眾和企業的事件都發生在小得多的範圍內。例如，一場雷暴可能只影響城市的某個部分，而對其他部分幾乎沒有影響。

雲層鋒面可能會大幅降低一個太陽能發電廠的發電量，同時卻可能超過20公里外另一個太陽能發電廠的發電量。風況也會因地面、建築物屋頂和無人機飛行高度的不同而有顯著差異。這些細微的變化難以預測。

天氣對初始狀態極為敏感。即使在溫度、濕度或風力方面存在微小的不確定性，也會隨著預報時間的推移而加劇。這就是「蝴蝶效應」的真正意義。它並非指單一感測器故障就會導致全球預報失敗，而是指我們永遠無法完美地測量大氣，而且大氣初始狀態的不確定性會隨著時間的推移而增加。

因此，現代預報系統越來越多地採用「集合預報」：提供多種可能的預測結果，而不是單一的、所謂確定無疑的答案。對於許多決策而言，知道有30%的機率發生強風暴比收到一個後來被證明是錯誤的、信心滿滿的預報更有用。

關鍵時機的重要性

延遲是預測誤差中最少被提及的因素之一。試想一下，一個模型是基於兩小時前測量的天氣狀況，能夠提供非常精確的預測。但如果雷暴在20分鐘前突然出現，那麼無論模型多麼先進，該預測都可能變得幾乎毫無用處。

世界氣象組織將「臨近預報」定義為從當前時間到未來六小時的詳細局部天氣預報。然而，在實際應用中，臨近預報遠不止於預測未來六小時的天氣。它需要一個持續的工作流程，包括收集新的觀測數據、驗證其品質、同步數據，然後運行模型並在幾分鐘內提供更新的結果。

同時，即時天氣預報並不意味著完全沒有延遲。而是意味著該系統會持續監測大氣狀況，並及時更新數據，進而影響最終決策。

這對某些行業至關重要。消費者在決定是否攜帶雨傘時，或許可以容忍不準確的送貨預報。但許多營運系統卻無法容忍這種情況。送貨無人機需要在抵達目的地之前，了解暴雨、冰凍或強風是否會影響其飛行路線。機場也可能需要根據附近雷暴的形成調整跑道運行。

太陽能發電業者需事先預判快速移動的雲層鋒面，以免發電量驟降。物流和出行平台可以在洪水或暴雨擾亂道路網絡之前重新規劃車輛路線。

同樣的道理也適用於戶外活動、緊急服務、農業和能源貿易。這些用戶需要的不僅僅是“明天的天氣預報”，他們還需要知道哪些方面正在變化，變化發生在哪些地方，以及是否還有時間採取行動。

人工智慧加快了天氣預報的速度，但光速度快還不夠。

人工智慧天氣預報模型比許多傳統數值模型產生預報的速度更快，運算能力也更弱。在某些變數和預報時間範圍內，一些模型已經超越了基於物理的預報系統。然而，人工智慧並不能解決監測和觀測的問題。

大多數全球人工智慧預測模型仍以傳統數值天氣預報基礎設施產生的大氣分析資料為基礎。如果該分析資料即使只滯後幾個小時，推理速度也無法更新初始狀態。

人工智慧模型也可能低估罕見事件的嚴重程度，因為極端案例在其訓練資料中代表性不足，而且一些訓練方法更傾向於平滑且統計機率更高的結果。近期研究發現，在預測常見的高溫、低溫和強風事件時，領先的人工智慧模式可能比基於物理的系統產生更大的誤差。

因此，未來不太可能只是人工智慧與物理學之間的簡單競爭。歐洲中期天氣預報中心（ECMWF）已經在運行其基於人工智慧的業務預測系統，同時也採用傳統的基於物理的模式。

最強大的架構將結合全球模型、高頻本地觀測、基於人工智慧的即時預測（臨近預報）、物理約束和不確定性的機率估計。