集合预报是实现天气与气候概率预报的重要手段。近年来，人工智能（AI）天气预报模型快速发展，并在确定性预报中展现出很高技巧。然而，相较于动力集合预报，当前多数AI集合预报方法更侧重于直接学习未来状态的概率分布，而对初始误差如何增长并影响预报结果这一关键问题关注不足。其一个重要原因在于，AI模型对随机扰动往往不够敏感，导致随机生成的集合成员在演变过程中增长有限，难以形成合理的预报离散度。

针对这一问题，复旦大学大气与海洋科学系穆穆院士团队将变分-条件非线性最优扰动（VI-CNOP）方法（Ji et al., QJRMS, 2025）引入FuXi模型中，围绕2024年西北太平洋多个高影响台风个例，开展AI模型中的台风路径集合预报研究（图1）。该方法通过求解一个带有物理约束的非线性优化问题，估计给定初始场的“增长型初始误差”最优分布，从而构造更具代表性的集合成员，用于刻画台风路径预报中的不确定性。与随机扰动、柏林噪声、奇异向量和非线性奇异向量等方法的对比结果表明，基于VI-CNOP构造的集合成员能够在FuXi模型中获得更合理的离散度，集合平均路径也整体优于控制预报和其他初始扰动方法，说明在AI模型中引入具有物理结构的初始扰动，能够有效提升台风路径集合预报技巧。

图1. 基于VI-CNOP的FuXi台风路径集合预报。其中蓝色曲线为控制预报，灰色曲线为集合成员，红色曲线为集合平均路径，黑色曲线为IBTrACS记录数据。

除统计技巧提升外，该研究还揭示了AI模型中初始扰动演变的物理机制。以台风“格美”为例，VI-CNOP方法生成的最优初始扰动可对应两类显著不同的路径偏移：一类使台风路径偏北，另一类使其偏南。进一步诊断表明（图2），这些初始扰动在演变过程中会激发明显的温度异常、风场异常以及位涡异常，并影响西太平洋副热带高压的强度和空间范围，进而调制台风路径的不确定性。也就是说，这类初始扰动并不是简单地在台风涡旋附近引入局地噪声，而是通过影响大尺度环流系统来改变台风后期路径演变。本研究不仅为AI模型中的不确定性量化提供了新的思路，也为从AI模型中挖掘可预报性来源与物理机制提供了新的可能。未来，该研究思路还有望推广到更多天气气候现象中，用于识别关键初始误差结构，并进一步服务于目标观测、资料同化和智能集合预报系统的构建。

图2. VI-CNOP-North型初始扰动位涡异常的逐日演变。阴影表示位涡异常，箭头表示风场异常。绿色实线为控制预报的台风路径，等值线表示控制预报500hPa高度上的位势高度场（其中粗实线为5880gpm等值线，用于刻画西太平洋副热带高压的位置）。

相关成果以“Physics-informed Ensemble Forecasts in Data-driven Models”为题发表于Quarterly Journal of the Royal Meteorological Society期刊。同济大学秦博助理教授，复旦大学戴国锟副教授、穆穆教授，中国气象局上海台风研究所牛泽毅助理研究员，同济大学袁时金教授等为论文作者。研究得到了国家自然科学基金卓越研究群体项目（42288101）、上海市教育委员会人工智能促进科研范式改革赋能学科跃升计划项目（24KXZNB01）和台风基金项目（TFJJ202504）的资助。

论文信息：Qin, B., Dai, G., Mu, M., Pu, J., Niu, Z., Ji, C., Yuan, S. (2026) Physics‐informed ensemble forecasts in data‐driven models. Quarterly Journal of the RoyalMeteorological Society. Available from: https://doi.org/10.1002/qj.70183