据天下气象组织统计，，，在已往50年中，，，热带气旋造成了1.4万亿美元的经济损失，，，共造成1945次灾难，，，夺去约80万人生命。。。。。。并且受此威胁的人数，，，还在攀升。。。。。。 它们对大气条件的细小转变极为敏感，，，因此精准展望其轨迹和强度一直是气象学界公认的难题。。。。。。然而，，，提高气旋展望准确性将有助于通过更有用的防灾准备和实时疏散来保；；；；；；な茉稚缜。。。。。。 现在，，，他们有多个AI天气模子在实时运行：WeatherNext Graph、WeatherNext Gen以及最新的实验性气旋模子。。。。。。Weather Lab还提供了凌驾两年的历史展望数据，，，供专家和研究职员下载和剖析，，，从而外部评估模子在所有海洋流域的体现。。。。。。 模子的荟萃均值展望（粗蓝线）准确预见到Alfred气旋迅速削弱为热带风暴，，，并于七天后在澳大利亚布里斯班周围上岸的历程，，，同时准确展望在昆士兰海岸上岸的高概率区域。。。。。。 Weather Lab用户可以探索并较量种种AI与物理模子的展望。。。。。。当这些展望被综合思量时，，，有助于气象机构和应急效劳专家更好地预判气旋路径与强度，，，从而更好地应对差别情景，，，撒播危害信息，，，并支持治理气旋影响的决议。。。。。。 全球低区分率模子在展望气旋路径方面体现最佳，，，但无法捕获控制气旋强度的细腻历程，，，因此需要区域高区分率模子的辅助。。。。。。 FGN划分通过差别机制建模认知不确定性与随机性不确定性（见下图1）：前者通过模子集成实现，，，后者则接纳与随机函数相关的手艺。。。。。。 在热带气旋路径展望方面，，，FGN的平均路径展望和路径概率展望均显著优于现有模子（ < 0.05），，，是首个在性能上明确逾越主流物理模子的AI展望模子。。。。。。 关于某个特定模子 M，，，随机性不确定性在展望轨迹的每一步中通过采样一个低维噪声向量??引入，，，该向量用于模子前向撒播历程中的参数共享条件归一化。。。。。。这可以明确为对神经网络权重施加扰动，，，从而获得参数 ??，，，因此可视为对神经网络参数的采样。。。。。。 若要在随机性不确定性下天生 N 个荟萃成员，，，只需自力地对N个差别的 ?? 举行条件天生即可。。。。。。认知不确定性通过集成多个自力训练的模子 M 的输出举行建模，，，每个模子拥有自己的一组参数 {*, Δ}，，，并按上述要领划分天生荟萃成员的子集。。。。。。 例如，，，对2023和2024年北大西洋与东太平洋流域的NHC视察飓风数据举行起源评估。。。。。。效果显示新模子在五天内的气旋路径展望比ECMW的ENS（全球领先的物理模子荟萃）平均近140公里，，，抵达了ENS三天半展望的准确度，，，相当于实现了1.5天的展望希望——这一希望通常需十年才华抵达。。。。。。 虽然此前的AI天气模子在气旋强度展望方面体现不佳，，，但新的实验性模子在平均强度误差上优于NOAA（美国国家海洋和大气治理局）的HAFS（区域高区分率物理模子）。。。。。。