据世界气象组织统计，在过去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。而且受此威胁的人数，还在攀升。 它们对大气条件的微小变化极为敏感，因此精准预测其轨迹和强度一直是气象学界公认的难题。然而，提高气旋预测准确性将有助于通过更有效的防灾准备和及时疏散来保护受灾社区。 目前，他们有多个AI天气模型在实时运行：WeatherNext Graph、WeatherNext Gen以及最新的实验性气旋模型。Weather Lab还提供了超过两年的历史预测数据，供专家和研究人员下载和分析，从而外部评估模型在所有海洋流域的表现。 模型的集合均值预测（粗蓝线）准确预见到Alfred气旋迅速减弱为热带风暴，并于七天后在澳大利亚布里斯班附近登陆的过程，同时准确预测在昆士兰海岸登陆的高概率区域。 Weather Lab用户可以探索并比较各类AI与物理模型的预测。当这些预测被综合考虑时，有助于气象机构和应急服务专家更好地预判气旋路径与强度，从而更好地应对不同情景，传播风险信息，并支持管理气旋影响的决策。 全球低分辨率模型在预测气旋路径方面表现最佳，但无法捕捉控制气旋强度的精细过程，因此需要区域高分辨率模型的辅助。 FGN分别通过不同机制建模认知不确定性与随机性不确定性（见下图1）：前者通过模型集成实现，后者则采用与随机函数相关的技术。 在热带气旋路径预测方面，FGN的平均路径预测和路径概率预测均显著优于现有模型（ < 0.05），是首个在性能上明确超越主流物理模型的AI预测模型。 对于某个特定模型 M，随机性不确定性在预测轨迹的每一步中通过采样一个低维噪声向量ₜᵢ引入，该向量用于模型前向传播过程中的参数共享条件归一化。这可以理解为对神经网络权重施加扰动，从而获得参数 ₜᵢ，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生成 N 个集合成员，只需独立地对N个不同的 ₜᵢ 进行条件生成即可。认知不确定性通过集成多个独立训练的模型 M 的输出进行建模，每个模型拥有自己的一组参数 {*, Δ}，并按上述方法分别生成集合成员的子集。 例如，对2023和2024年北大西洋与东太平洋流域的NHC观测飓风数据进行初步评估。结果显示新模型在五天内的气旋路径预测比ECMW的ENS（全球领先的物理模型集合）平均近140公里，达到了ENS三天半预测的准确度，相当于实现了1.5天的预测进展——这一进展通常需十年才能达到。 虽然此前的AI天气模型在气旋强度预测方面表现不佳，但新的实验性模型在平均强度误差上优于NOAA（美国国家海洋和大气管理局）的HAFS（区域高分辨率物理模型）。
