近日，美国俄克拉荷马大学与NOAA国家强风暴实验室（NSSL）研究团队研发出一种新型AI数值天气预报系统——WoFSCast，旨在提升雷暴等小尺度天气现象的预警时效。

　　传统数值天气预报依赖复杂物理参数化方案，计算耗时长，难以满足短时临近预警需求。近年来，AI在天气预报中的应用兴起，但多数模型受限于全球再分析数据，无法捕捉雷暴等小尺度过程。研究团队基于谷歌的GraphCast框架，创新性地将其改造为适用于有限区域风暴尺度的模型。WoFSCast采用图神经网络（GNN）架构，通过编码器将三维气象数据压缩至二维潜在空间网格，经处理器多层消息传递后解码回原始网格，实现快速计算。

　　研究结果表明，WoFSCast在2小时内可准确复现预警预报系统（WoFS）约70%～80%的风暴预报，且未出现显著信息损失。与传统模型相比，其速度优势明显：生成18个6小时集合预报仅需30～40秒（单GPU），较WoFS耗时缩短超10倍。此外，通过对象识别、概率匹配均值（PMM）及能量谱分析验证，WoFSCast对风暴结构、垂直动力学（如上升气流、冷池）的模拟与WoFS高度一致，且未因均方误差（MSE）损失函数导致过度平滑。

　　目前，WoFSCast已展现替代传统模型的潜力，未来计划进一步优化：纳入更多垂直层、气象变量及不同天气场景（如台风、季风），提升模型泛化能力。结合扩散模型与集合训练，生成概率预报以弥补单一确定性预报的局限性。利用GPU算力实现小于1公里分辨率的实时预报，应对极端天气细节捕捉需求。

　　相关成果以 WoFSCast: A Machine Learning Model for Predicting Thunderstorms at Watch-to-Warning Scales 为题发表在 Geophysical Research Letters 期刊上。