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；；；；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）。。。。。。