天气预报有一项藏在幕后的起始工作：判断此刻的天气。卫星测量与船舶发来的观测报告，在覆盖范围、观测时刻和不确定性上各有差异。在模型把明天的云层变化推演到屏幕上之前，将这些观测整合成一致的大气初始状态，就是预报工作的重要一环。[1]

FuXi-Weather 将这项起始工作带入了中国气象 AI 的研究。2025 年 7 月，复旦大学、上海科学智能研究院、中国气象局和加州大学洛杉矶分校（UCLA）等机构的合作团队，发布了一套将机器学习数据同化与机器学习预报相结合的系统。这项变化影响深远：AI 系统开始依据观测连续生成大气初始状态，改变了持续从传统气象预报中心接收这些状态的做法。[2]

大气状态也带着记忆

气象学家将更新后的当前大气状态估计称为分析场，将上一轮循环延续下来的短期预报称为背景场。数据同化把背景场与新到的观测结合起来，随后启动下一轮预报。背景场保留着较早观测中的信息，分析场则让新证据有机会修正原有估计。[1]

因此，“从观测出发”的每次更新，仍然接续着此前积累的信息。设想从云层间歇露出的空隙中观察一场移动的风暴：记得它先前的位置，就有助于理解下一次瞥见的局部景象。大气问题要复杂得多，但保留先前估计的价值很直观。有了预测作为对照，一次观测就能带来更多信息。

已发表的 FuXi-Weather 系统同化了 FY-3E、Metop-C 和 NOAA-20 的测量数据，以及无线电掩星数据。系统采用 0.25 度网格，每六小时循环一次。去掉背景预报后，分析场质量下降，卫星数据缺失区域及其周边尤其明显。[4] 这套机器学习系统依然受益于气象学的一贯做法：将昨日的证据带入今日的估计。

复旦大学的中文公告提出了提高观测同化频率的目标，并提及引入更多小卫星的设想。这属于后续发展方向，与已经展示的实验须分别看待。公告也将 FuXi-Weather 放在伏羲系列预报模型中介绍；若要确认这套具体系统已经投入运行，仍须有针对它的部署证据，其他伏羲模型的运行历史尚不足以说明这一点。[2]

评分取决于用哪一份大气状态作参照

论文的主要评估时段为 2023 年 7 月 3 日至 2024 年 6 月 30 日，以均方根误差和距平相关系数检验十天确定性预报。FuXi 的检验参照包括 ERA5 再分析资料，以及它自身的分析场；欧洲中期天气预报中心（ECMWF）的 HRES 高分辨率预报系统则以 HRES 分析场为参照。各系统采用自身分析场检验时，在较短预报时效上会更占优势。[4]

复旦大学重点介绍了 Z500，即 500 百帕位势的提升：有效预报时效从 HRES 的 9.25 天增至 9.5 天，延长了六小时。[2] 论文以距平相关系数 0.6 为阈值，界定这里的预报技巧。[4] 这多出的六小时，适用于既定测试条件下的这一大气变量。局地降雨预警还需要单独评估。

分析场本身是一种估计，因此，与它吻合到什么程度，是一项经过明确界定的检验，与直接掌握大气真实状态仍有距离。当技术改进改变的正是分析场本身时，这一区别尤其重要。预报即便偏离修订后的参照更远，在现实中的实用性也可以保持原有水平。

ECMWF 在 2020 年 6 月的系统升级中就记录过这样的问题。一项改动从观测中提取了更多信息，但用系统自身分析场检验预报时，部分评分反而变差。改用独立分析场检验后，这项改动的总体影响为中性。表面上的退步，源自参照发生了变化。[5]

阅读 FuXi 的比较结果时，这是一套有用的核查顺序：先确定预报变量和时效，再确定检验所用的参照场来自哪里，随后解读模型间的差距。单一的排名会把这三项选择压缩在一起，而理解这项实验，恰恰需要逐一看清它们。

降雨检验揭示了一项尤其值得关注的局限。以 IMERG 卫星降水估计为参照，在非洲中部和南美洲北部，FuXi-Weather 的均方根误差低于 HRES。然而，两套系统的距平相关系数依然偏低，平均偏差仍然较大。[4] 即使在这项比较中胜出，改进空间依然相当可观。对关注降雨的人来说，降低平均误差，与可靠地预报异常状况，是两种不同的进展。

从公开资料出发，在限定范围内复现

论文所链接的 Zenodo 存档让研究者能够检查这项实验。其 2025 年 6 月 29 日版本列出了代码、模型和样例数据，并明确说明：所附 ONNX 模型的同化配置适用于 2024 年 3 月。[6]

比起点击下载的便利，这个日期更值得留意。合理的复现应从声明适用的时段内开始，核对输入数据的准备过程，并重现论文报告的比较。将这份发布成果用于之后的观测网络，则属于进一步的实验。存档为研究提供了具体起点；若要确认存在持续维护的预报服务，还需要额外证据。

这一更广泛的问题至今仍在延续。2026 年 9 月，ECMWF 介绍了 AI 在观测处理、质量控制，以及模型变量与实测信号相互转换中的应用机会。文章同时强调，地面、飞机和海洋观测在校准、偏差检测及补充局地细节方面仍有持续价值。[7] 因此，更好地利用卫星信息，也应放在整个观测系统中考察，独立检验仍是其中必要的一环。

考察中国气象 AI 的进展，证据标准也应随之拓宽：系统能否随着测量数据到来，持续更新对大气状态的估计；更换检验参照后，优势能否保持；对于用户实际需要的预报变量，优势能否延续。FuXi-Weather 用实验让第一个问题变得具体。它的评估也说明，后两个问题同样需要认真检验。

来源

1. ECMWF，《数据同化》——分析场与背景场的定义、观测循环及不确定性。
2. 复旦大学，“FuXi-Weather: a global weather cycling assimilation and forecasting system”（2025 年 7 月 23 日；团队中文公告，所列标题为缩写后的英译名）。
3. NASA，《JPSS-1 发射前处理》（2017 年 10 月 13 日）——Rodney Speed 于 2017 年 9 月 25 日拍摄的照片。
4. Xiuyu Sun 等，《从数据到预报的全球天气机器学习系统》，Nature Communications 16，6658（2025 年 7 月 19 日）——方法、评估参照及降雨预报的局限。
5. Michael Sleigh 等，《IFS 升级大幅改善平流层预报》，ECMWF Newsletter 164（2020 年 7 月）——分析场变化对预报检验的影响。
6. 伏羲团队，《FuXi 天气模型与数据》，Zenodo，v2 版本（2025 年 6 月 29 日）——论文所链接的发布成果及其适用于 2024 年 3 月的同化配置。
7. ECMWF，《从太空到预报：ECMWF 如何将卫星数据转化为可靠的天气预测》（2026 年 9 月 3 日）——观测处理、独立测量与 AI 研究。
8. NASA，《JPSS-2 启动发射处理工作》（2022 年 9 月 20 日）——确认 NOAA-20 原名为 JPSS-1。