共计 1364 个字符，预计需要花费 4 分钟才能阅读完成。
MJO 是一种周期性的大气环流模式，其影响范围从热带到中高纬度地区。预测 MJO 可以帮助气象学家和气候学家更准确地理解和预测未来数周到数月内的降水模式、风暴活动、温度变化，以及干旱和洪涝等极端天气事件的发生。
「伏羲」次季节气候预测大模型有效提升了对 MJO 的预测技巧，将 MJO 的预测技巧达到了 36 天，大幅超过了 ECMWF 的 S2S 模式的 30 天时长。
图示：使用 2017 年至 2021 年的所有测试数据，对 ECMWF 亚季节到季节 (S2S) 重新预报 (蓝色) 和 FuXi-S2S 预报 (红色) 之间的集合均值的实时多元马登-朱利安振荡 (MJO) (RMM) 双变量相关 (COR) 进行比较。（来源：论文）
此外，「伏羲」次季节气候预测大模型还可以通过构建显著图 (Saliency map) 识别导致极端事件发生的潜在信息，这一能力在预测 2022 年巴基斯坦洪水期间的极端降雨方面得到了验证。
具体过程为，首先定义一个损失函数，例如下图绿色方框标出的巴基斯坦平均降水异常百分率，保持模型参数固定，然后通过反向传播求解梯度最终输出输入图像像素的梯度，来反映输入气象要素对于巴基斯坦降水异常百分率的正相关和负相关作用。
凭借「伏羲」次季节气候预测大模型强大的预测能力和前兆信号识别能力，可以为应对极端天气事件提供有效的工具和策略。
图示：对 ECMWF 亚季节到季节 (S2S) 模型和 FuXi-S2S 模型对 2022 年巴基斯坦洪水预测的比较分析，以及有助于 FuXi-S2S 模型准确预测的前兆信号。（来源：论文）
展望
以往，全球仅有少数国家能够研发并实时运行传统数值预报模式，其研发和运行需要大量人力和计算资源，且依赖超级计算机上成千上万的 CPU。
如今，伏羲气象大模型等基于人工智能的模型在训练完成后运行速度更快，计算资源需求更少，为发展中国家提供了更可承受的选项。
人工智能在气候变化风险管理领域也拥有广阔的发展空间。它能够改变气候科学的研究范式，突破传统模式的局限性，实现更精细的空间分辨率和更长时间尺度的精准气候风险预报。此技术将广泛应用于极端气候预测、交通运输、保险、新能源、期货交易、城市规划等多个产业领域。
目前，「伏羲」次季节气候预测大模型仍有提升空间，例如其空间分辨率为 1.5 度，与 ECMWF 次季节模式的 36 公里的空间分辨率相比仍相对粗糙，目前预报的是日均气温、缺少日最高温度和日最低温度等。
此外，「伏羲」次季节大模型还在探索把最高气压层从当前的 50hPa（百帕）提升到 1hPa 甚至是临近空间，赋能更多应用场景。
作者简介
上智院研究员陈磊，复旦大学人工智能创新与产业研究院博士后仲晓辉，以及中国气象局气候研究开放实验室吴捷副主任为论文共同第一作者。上智院院长、复旦大学浩清特聘教授漆远，上智院科研副院长、复旦大学人工智能创新与产业研究院研究员李昊，以及中国气象局气候研究开放实验室研究员陆波为论文的共同通讯作者。
全体作者：Lei Chen, Xiaohui Zhong, Hao Li#, Jie Wu, Bo Lu#, Deliang Chen, Shang-Ping Xie, Libo Wu, Qingchen Chao, Chensen Lin, Zixin Hu & Yuan Qi#（标#的为通讯作者）
论文链接：
