直接上硬货。上篇总结聊了交通流量、轨迹预测这些偏“人-车-路”的时空数据工作，评论区不少朋友留言催更，说想看气象环境方向。这次我把NeurIPS 2026投稿里和天气、大气、环境相关的论文统一过了一遍，挑出十几个有代表性、值得细读的工作，集中讲天气预报、降水预报、空气质量检测、野火检测、气象基础模型、VLM、不确定性量化、可解释性这八个方向。为了方便阅读，我按技术路线而不是按论文列表来组织：核心思路是什么、用了什么数据、解决了什么痛点、踩了什么坑，都尽量讲透。
先说总体观感：今年气象环境方向的时空数据论文，明显不再满足于“把某个CNN/GNN改一改然后在一个小数据集上报个涨点”，大家开始认真思考如何和物理规律结合、如何在有限标注下做出可靠预测、如何让模型敢于说“我不知道”。特别是气象基础模型和视觉语言模型的交叉，已经从一个概念性的方向变成了有大量系统化实验支撑的实打实领域。下面我按专题逐块拆解。
1. 本期论文的选题逻辑与整体技术风向
1.1 为什么今年气象环境论文集体“卷”了起来
先说一个背景：气象环境方向在时空数据里一直很特殊。交通流、轨迹预测这类问题，数据密集、规律相对稳定，深度学习早就跑通了；但天气预报、降水预报、野火检测这些任务，本质上是“小样本、强物理、高噪声、极端事件少”的组合。以前大家习惯直接把通用时空模型搬过来用，结果经常是平均误差好看，一到强对流天气、极端降雨就彻底抓瞎。
今年这批论文的一大变化，是明确把“物理一致性”当做一个评估维度甚至训练约束。传统上我们只看RMSE、MAE、CSI这类指标，但今年好几篇工作开始额外报告“能量谱误差”“总降水量守恒误差”“位势高度场相关系数”这些带有物理含义的指标。这说明领域共识正在形成：AI气象模型不能只是统计拟合工具，它的大气状态输出必须能满足基本的物理约束，否则预测结果再平滑也没有实际业务价值。
另一个明显趋势是“基础模型化”。在CV和NLP领域，预训练-微调的范式已经被验证过无数遍，但在地球科学里一直没真正落地。今年有几篇工作尝试把海量的再分析数据、卫星遥感数据、地面站观测数据放在一起做自监督预训练，然后在降水、气温、风场等下游任务上微调。效果虽说不像语言模型那样有“涌现”感，但在小样本场景下确实能看到估计方差明显降低，这对很多缺乏高质量标签的业务方是个好消息。
1.2 四大主线：预测、检测、基础模型、可信AI
如果把这次总结的论文按主题归类，大致可以分成四条主线。
第一条是高分辨率时空预测，核心是天气预报和降水预报。难点从“怎么把模型做得更深”变成了“怎么在有限算力下把预测做得更细、更准、更稳”，尤其是对流尺度降水预报，必须同时处理好空间局地性和时间连续性。
第二条是环境事件检测，覆盖空气质量检测和野火检测。这类任务的特点是强不平衡：污染天和野火在整个时空范围内是少数事件，普通监督学习很容易被正常样本淹没。今年几篇论文的共同解法是利用多源遥感数据做弱监督或半监督学习，配合时间维度的变化检测，效果比单帧图像分类强不少。
第三条是气象基础模型的架构探索。ViT、Swin Transformer、ConvNeXt这些CV架构被重新设计以适应球面几何和不等间距网格，同时大家都在研究如何把物理变量(比如气压层、风速分量)合理地编码进token里。这块还没收敛到统一结论，但方向已经很清晰：通用的2D骨架+专门设计的变量融合模块，是当前性价比最高的做法。
第四条是可信AI，也就是不确定性量化和可解释性。以前大家觉得给预测加个方差就是不确定性了，今年有论文明确指出，气象预测的不确定性来源多样——初始场误差、模型结构误差、随机采样误差——必须分开建模。可解释性这边也出现了直接用VLM生成自然语言解释的工作，我认为这在业务落地时潜力很大，因为气象预报员需要的不是一张热力图，而是一句“为什么这里会报暴雨”的人话。
1.3 数据与算力：绕不开的两大瓶颈
读这批论文时，我特别注意了它们用的数据和算力配置。普遍情况是：
- 再分析数据集（某全球再分析产品、某区域高分辨率再分析产品）仍然是预训练和长时间序列预测的主力，因为它们提供了长达几十年的均匀网格数据；
- 卫星遥感数据（低轨光学、静止轨道红外，以及主动微波遥感）开始被大规模使用，尤其是在野火和空气质量检测里，它是唯一能覆盖广大无人区的信息源；
- 地面站观测数据(如全球地面气象站网)虽然稀疏且时空分布不均，但作为标签和校正源仍然不可或缺；
- 算力方面，大部分论文的预训练阶段使用了多卡集群，单卡显存在40GB以上；但下游微调和推理其实很轻量，很多工作甚至能在单张消费级显卡上完成。
这一点我想特别强调，因为很多想复现的朋友一看到“基础模型”四个字就劝退了。实际上，如果你不做从头预训练，只做微调和评估，硬件门槛并不高。我自己用一张中高端显卡跑某个微调实验，显存大概12GB就够用，关键是数据加载和预处理要提前做好缓存，别让数据管道成为瓶颈。
2. 天气预报与降水预报：从“报平均”到“报极端”
2.1 降水预报的新架构与新训练范式
降水预报是时空数据里最经典也最难的任务之一。今年有几篇工作尝试了不同路线。
一篇代表性工作采用了“双分支编码器+融合解码器”的结构：一个分支处理雷达反射率序列，捕捉对流系统的空间结构和移动趋势；另一个分支处理数值天气预报输出的多个物理场(如温度、湿度、风场)，提供大尺度环境背景。两个分支的特征在多个尺度上做融合，最终输出未来1到6小时的降水强度分级图。训练时用了一个加权的分位数损失，对强降水级别赋予更高权重，因为降水强度的分布高度偏斜，如果只用L2损失，模型会把精力全放在最常见的弱降水上。
另一篇工作想解决的问题是“长期降水预报漂移”。AI降水模型在预测前几小时表现很好，但超过6小时后误差快速增大。这篇工作提出了一种基于门控循环单元的时间融合机制，配合谱归一化和梯度裁剪，把时间维度的稳定性明显提升。我在复现类似方法时发现，这类稳定化技巧比改网络结构更有效，大家在训练自己的模型时可以先从训练策略下手。
还有一篇非常具有工程价值的工作，把降水预报重新定义为一个集合预报问题：不直接输出一个确定性降水图，而是输出多个等概率的降水样本，然后对样本集合取统计量得到预报和不确定性。这个思路来自数值天气预报里的集合预报概念，放到深度学习里就是条件生成模型。实验结果说明，集合平均比单次确定性预测的CSI高不少，而且集合离散度可以作为预报置信度的可靠指示器。我觉得这是未来降水预报业务化的一个重要形态，因为它总算能告诉预报员“这次预报有多把握”。
2.2 天气预测里被低估的时间序列建模细节
很多人一上来就用3D-CNN或Video Transformer处理雷达序列，但忽略了气象数据时间维度的特殊性。
第一，气象数据的采样间隔不是均匀的。雷达通常6分钟一帧，卫星可能15分钟一帧，地面站逐小时观测，再分析产品6小时一次。多源数据对齐本身就是个大工程。今年有论文专门讨论了这个问题，提出了一种基于连续时间建模的编码方式，用隐变量插值把不同时间分辨率的数据统一到同一时间轴上，而不是简单粗暴地resample到最粗分辨率。这个处理对最终效果的影响非常大。
第二，天气演变的特征在不同时间尺度上差异巨大。对流尺度是分钟级的快速演变，天气尺度是小时到天级的缓慢调整，季节尺度则是气候背景。如果用一个固定大小的卷积核或时间窗口去捕捉所有尺度，必然会顾此失彼。今年出现的多尺度时间建模方案，本质上是在不同层使用不同大小的时域感受野，再通过注意力机制自适应选择关键尺度，效果比单一尺度好了不少。
第三，也是我特别想提醒的：边界条件处理。雷达回波预测中，新的对流系统不断从空间边界进入预测区域，如果模型不感知边界外部信息，预测时间一长就会“空洞化”。今年有工作专门研究了这个问题，提出把边界区域的观测数据以额外的通道拼接到输入里，让模型学到边界处的入流特征。这个细节虽然不起眼，但在实际业务里能提升长时效预测质量不少。
2.3 实操心得：把降水预测模型的分数从及格拉到优秀
如果你也想复现这类降水预报工作，我建议按以下顺序排查你的模型和训练流程，这都是我实际踩坑后的经验。
先看损失函数。降水强度分布极其不均衡，常见的解决办法是分位数损失或分箱加权损失。我用过分级加权交叉熵，发现阈值设置很敏感：阈值太高，模型倾向于全部预测为零级降水；阈值太低，极端降水又学不到。建议先用数据统计画出降水强度的累积分布，再选几个分位点把降水分为5到7个等级，每个等级按样本数量倒数加权。
再看评估指标。降水预报领域主流的评分是CSI和分数的变体，它们对不同强度阈值有不同的惩罚。如果你只有一个全局RMSE，很可能模型在弱降水区拟合得很好，但强降水区一塌糊涂，RMSE还不涨。强烈建议把预测结果按降水强度分层评估，分别报告弱、中、强三个等级的评分，这样问题会立刻清楚。
最后是后处理。模型输出的降水预测经常有空间平滑过度的问题——该有的对流单体被抹掉了。今年有论文用扩散模型做后处理，把确定性预测作为条件输入，生成高分辨率的降水样本，再用一个判别器选择最合理的结果。这个方案计算量不小，但对提升局地强降水的峰值强度帮助很直接。如果算力紧张，也可以用简单的锐化滤波或直方图匹配来替代，效果会打折扣，但聊胜于无。
3. 空气质量检测与野火检测：小样本事件的大文章
3.1 空气质量检测：从任务定义到时空外推
空气质量检测在过去往往被当成一个纯回归问题：输入气象条件和历史污染物浓度，预测未来几小时的PM2.5或臭氧浓度。今年论文的进步在于，开始用“事件检测”而不是“数值回归”的方式看待这个问题。换句话说，大家更关心的是“明天会不会出现一次污染过程”，而不仅是“明天气溶胶光学厚度是多少”。
有篇工作利用卫星气溶胶光学厚度(AOD)产品，配合气象场和排放源清单，构建了一个污染事件检测模型。技术路线是先用一个时间序列编码器提取历史AOD的趋势特征，再用一个空间编码器捕捉周边区域的污染传输方向，最后用时间池化加分类头输出污染事件概率。这里有个很关键的设计：它不直接用绝对浓度做标签，而是根据浓度超过某一阈值并且持续若干小时来定义事件标签。这能有效降低模型对传感器标定误差的敏感度。
另一个有意思的方向是“污染溯源”。某篇论文尝试回答一个更难的问题：当前观测到的污染物从哪里来？作者把后向轨迹模型生成的轨迹特征和气象数据拼接，用注意力机制找到对当前污染贡献最大的源区。虽然这个工作还比较初步，但我觉得它的应用价值很大，因为环境管理部门需要的不仅是“何时超标”，更需要“是谁的排放导致了超标”。
我做这个方向时最大的感受是：标签质量决定了模型上限。空气质量的地面站非常稀疏，卫星反演的AOD虽然有空间覆盖但代表的是整层大气的光学厚度，与地面浓度不是严格线性关系。建议构造标签时先做地面站点与卫星格点的时空匹配，再根据气象条件做垂直廓线校正，否则模型学到的可能只是气象与AOD的统计关系，和真实空气质量关系不大。
3.2 野火检测：时间变化比静态特征更可靠
野火检测是今年的一个明显的方向增长点，原因很直接：全球极端高温事件增多，野火监测与预警需求急剧上升。卫星遥感提供了唯一的全天候大范围观测手段，但传统阈值法(比如亮温超过某阈值就判为火点)误报率很高，尤其是把高温地表、太阳耀光、工业热源误判为火点。
今年几篇深度学习野火检测论文的共同套路是：时间维度的变化检测。单帧影像上，火点和其它热异常很像；但如果把前后若干天的影像叠起来，火点的“突然出现+持续升温+周边植被指数下降”这几个特征联合起来，就非常独特了。某篇工作直接设计了一个“时间对比模块”，比较当前帧与历史参考帧的差异，再结合短波红外和热红外通道的数据作为检测特征。
这个方向的第二个难点是标注稀疏。真实的野火事件在时空上是稀有事件，人工标注成本高、时效性差。某篇工作采用了一种半监督策略：先用少量人工标注训练一个初步检测器，再在大量未标注数据上用伪标签自训练，同时加了一个类别均衡采样器避免模型崩溃到多数类。实验报告说，这种方法能把野火检测的召回率提升不少，同时保持较低的误报率。
第三个值得关注的方向是“野火蔓延预测”。一篇论文将野火边界演变建模为一个时空过程，用过去几小时的火线位置和气象条件，预测未来的火线位置和蔓延速度。它用了一个图神经网络，节点是火线上的离散点，边是相邻点的空间关系，通过图卷积不断滚动预测。这个工作的难点在于火线的拓扑结构复杂，可能分裂、合并、包围，单纯用网格卷积很难处理。图神经网络的灵活性在这里体现得比较充分。
3.3 实战避坑：遥感数据预处理中的隐性陷阱
野火和空气质量检测都重度依赖遥感数据，而遥感数据的预处理里有几个隐性陷阱，我在实际工作中都遇到过。
第一个是云遮挡。光学卫星影像里，云的覆盖率超过三成是家常便饭，如果不做云掩膜，模型学到的是“云顶亮温”而不是“地表火点”。静止轨道卫星的红外通道虽然能穿透部分云层，但分辨率会下降。建议在输入数据里显式加入云掩膜通道，让模型自己学习哪些区域的信息可靠，而不是在数据预处理阶段把所有带云的像素粗暴删除——那样会让训练样本的空间分布严重偏斜。
第二个是卫星过境时间的错位。极轨卫星一天只过境一两次，和地面站观测时间往往对不上。如果你把卫星影像和地面站标签简单按日期配对，会引入很大的标签噪声。我建议做数据对齐时优先选择准同步观测(时间差小于30分钟)的样本，宁可样本量少一点，也别让模型在错误对应关系上浪费拟合能力。
第三个是坐标投影和分辨率匹配。不同卫星产品的网格定义不同，有的等经纬度，有的等面积，直接resample到统一网格会引入插值误差。特别是野火这种强空间异质性目标，插值会把火点信号抹平。如果条件允许，优先选择原始分辨率数据，在模型里用坐标通道隐式编码地理位置，而不是预先做重采样。
4. 气象基础模型：从通用骨架到物理感知设计
4.1 架构选型的核心权衡：精度、效率、物理一致性
气象基础模型是今年投稿中最热的关键词，不少论文都在探索“用海量数据预训练一个通用的天气表征模型，然后适配到各种下游任务”。但在具体架构上，方法分歧很大。
Vision Transformer路线依然占主导，因为它容易处理多变量输入，把每个网格点的全部变量拼成一个token，再叠加位置编码。这类模型的优势是扩展性强，可以用标准的预训练流程和分布式训练框架；缺点是计算量较大，高分辨率输入时序列很长，注意力矩阵的规模会失控。
另一条路线是“局部注意力+全局稀疏注意力”的混合设计。某篇论文在低层用局部窗口注意力捕捉精细结构，在高层用稀疏的全局注意力建模远距离相互作用(比如热带和极地之间的能量交换)。这个设计和Swin Transformer的思路类似，但针对球形网格做了修改——窗口划分不再按矩形，而是按纬度带划分，这样更符合大气物理过程的各向异性特征。
还有一组工作坚持用卷积架构，但做了重要升级。比如用大核深度卷积替换Transformer注意力，或者用可变形卷积自适应地关注关键区域。这些模型在推理效率上有明显优势，特别是在业务部署场景中，一个能在单卡上跑实时预报的模型，比一个只存在于论文里的SOTA模型更有实用价值。我个人的判断是：未来一段时间内，混合架构(卷积提取局部特征+注意力建模全局依赖)会是气象基础模型的主流形态，因为它兼顾了精度、效率和物理合理性。
4.2 预训练任务设计：不止是“预测未来”
气象基础模型最核心的问题之一是预训练任务该怎么设计。直接把CV里的MAE(掩码自动编码)搬过来可行，但效果上限有限，因为气象场和自然图像有本质区别：气象变量的空间相关性更复杂，不同变量之间的耦合关系(比如温度和湿度共同决定降水)是必须学习的先验知识。
今年有论文提出了一种“变量感知的掩码策略”：不是随机掩码网格位置，而是根据变量之间的物理关联设计掩码模式。例如，在一个样本里随机掩码掉某一层的温度场，要求模型用其它变量(风场、湿度、气压)重构它。这样迫使模型学习变量间的因果关系，而不是简单地做空间插值。
另一种有意思的预训练任务是“物理场一致性”。把一组物理量(比如风场的散度和涡度)从原始风场中计算出来，然后用一个辅助预测头从隐表征中还原这些物理导出量。这个辅助任务不增加推理负担，但在训练时给模型注入了强物理约束。实验表明，加入这类辅助任务后，模型在短期预报上的位势高度异常相关系数有稳定提升。
还有一个方向是“跨分辨率预训练”。一个模型既能处理1度粗网格的全球数据，也能处理0.25度细网格的区域数据。具体做法是在预训练时随机使用不同分辨率的输入，位置编码根据分辨率动态缩放，让模型自动适应分辨率变化。这种能力对业务非常重要，因为不同国家的业务部门使用不同的区域配置，一个能兼容多分辨率的模型可以节省大量重复训练成本。
4.3 微调策略：不要轻易动预训练参数
气象基础模型的微调和CV基础模型类似，但有几个特别需要注意的地方。
如果你从零微调整个模型到一个新的下游任务，很容易发生灾难性遗忘——模型在高分辨率预报上学到的东西会被新任务冲掉。我建议采用“冻结底层+微调顶层”的策略：底层主要负责提取通用的大气特征，基本不动；顶层(通常是最后几个Transformer层或解码器)针对下游任务做适配。这样做不仅省显存，还能保持预训练的知识不流失。
另一个有效技巧是引入“适配器层”。在Transformer的每个块里插入一小串可训练参数，微调时只训练这些适配器和输出头，预训练主参数全部冻结。这种方案在CV里已经非常成熟，在地球科学方向今年也开始出现。它的最大优势是：一个预训练模型可以同时服务多个下游任务，每个任务只需额外存一个很小的适配器文件。我在做多任务实验时用这个方案，显存占用只增加了很少，但各任务效果都接近全参数微调。
最后还要提醒一点：微调数据的分布要尽可能贴近部署场景。比如你在全球再分析数据上预训练，下游任务是某个热带地区的降水预报，那么微调数据集里就要包含足够多的该地区雨季样本，否则模型面对完全没见过的地方气候类型时，表现会很不稳定。
5. VLM在时空数据中的应用：从“看懂图”到“说清事”
5.1 视觉语言模型如何理解气象图
视觉语言模型(VLM)进入气象环境领域，是今年投稿里让我最兴奋的方向。以前要让模型“理解”一张卫星云图，我们要么把它当图像分类，要么当语义分割处理；而VLM提供了一种全新的交互方式：让模型看图之后生成自然语言描述、回答具体问题、甚至解释推理过程。
有一篇工作把气象卫星云图和对应的气象文字描述(比如“华北地区存在一条东北-西南向的带状云系，预计未来24小时将带来大范围降水”)组成图文对，在预训练好的VLM上做指令微调。训练数据来自气象部门的公开预报文本和再分析数据的自动描述生成。微调之后，这个模型可以进行多种对话式交互：给它一张最新的卫星云图，它会结合图像内容回答“未来几小时哪些区域可能下雨”“台风眼区的位置在哪里”“这次过程的强降水中心在哪个方向”。
另一篇工作把VLM用在了空气质量检测上。它输入的是气溶胶光学厚度分布图和气象要素的叠加可视化图，然后让模型进行开放式问答，比如“图中污染最严重的区域在哪里”“污染物的输送方向是什么”“可能的污染源类型有哪些”。这个应用的难点在于，VLM对颜色编码和图例的语义理解能力有限，需要设计合适的可视化方案让模型更容易“看到”关键信息。
我在复现这类工作时的体会是：数据的图-文对齐质量比模型结构更重要。很多人以为用一个开源VLM加上一点气象数据就能微调出好的效果，但实际对图文对的质量要求极高。如果文本描述和图像内容对不上(比如描述的是另一个时刻的云图)，模型就会学会一种“答非所问”的坏习惯，而且这个坏习惯非常顽固，后续很难纠正。
5.2 跨模态检索与零样本识别
VLM带来的另一个能力是跨模态检索：用自然语言描述去检索符合描述的空间位置或时间片段。这对大量没有标注的气象历史数据来说特别有用——你不需要手动标注“某年某月的某次寒潮过程”，只要输入一句“强冷空气从西北路径南下，带来大范围降温”，模型就能帮你定位到最相似的历史事件。
某篇论文构建了一个“气象事件检索”任务，对一段长时间序列的再分析数据做滑窗切片，每个切片配上一段自动生成的语义描述(利用规则从气象要素中提取关键特征生成伪文本)，然后在VLM框架下对齐图像和文本的嵌入空间。测试阶段，你输入一段文本描述，模型返回匹配度最高的若干个时空切片。这个能力对气候诊断、极端事件分析和气象教学都有潜在价值，我认为是VLM在地球科学里最容易落地的一个方向。
零样本识别是另一个让我印象深刻的应用。传统的野火检测需要大量标注数据训练分类器，而VLM可以先从文本中理解“野火的视觉特征是什么”(比如“浓烟柱”“高温异常”“植被枯黄”)，然后直接对遥感影像做出判断。虽然现阶段VLM的零样本野火检测效果还不如专门训练的模型，但在标注匮乏的应急场景中，一个开箱即用的检测器比一个需要标注训数据的模型更有价值。
5.3 落地VLM的实践建议：可视化方案决定天花板
如果你准备在自己项目里应用VLM处理气象环境数据，我建议把重点放在“如何把科学数据变成模型友好的可视化”上。这一步看似简单，其实是决定效果天花板的环节。
首先，使用统一的色带方案。不同方案(比如彩虹色、冷暖色)会让同一个物理量在数值上产生不同的视觉显著性，而VLM的视觉编码器对这些颜色变化的敏感性不可控。我建议参考通用的气象可视化规范，比如降水和反射率因子用一个固定的分等级色带，温度和位势高度用冷暖渐变，并把数值范围标准化到通用区间。
其次，把关键信息显式地画出来。VLM擅长读图，但不擅长从复杂的背景中自己发现细节。比如你想让它分析台风强度，可以直接在图上叠加画好台风中心的标记、最大风速半径的圆圈、移动路径的箭头。这些图形元素虽然简单，但能让VLM立即注意到你关心的对象，回答的准确率和相关性都会有可感知的提升。
最后是Prompt设计。VLM对问题的措辞非常敏感，同一个问题问法不同，回答质量可能差距很大。我的经验是：问题描述越具体，回答越可靠。不要问“这张图显示了什么”，而应当问“基于图中的反射率因子分布，描述当前降水系统的空间结构和发展趋势”。前者容易得到泛泛的“这是一张气象卫星云图”的回答，后者更可能得到有用的细节信息。
6. 不确定性量化与可解释性：从“锦上添花”到“业务必需”
6.1 不确定性来源分解：初始场、边界层、结构不确定性
时空预测中的不确定性量化，在气象环境场景里比在其它时空任务中更复杂，因为不确定性来源很多，不能笼统地用一个方差来概括。
第一类是初始场不确定性。数值天气预报里的集合预报本质上就是在量化初始场不确定性——对初始大气状态施加微小扰动，看预报结果如何扩散。深度学习模型同样存在这个问题：输入数据本身观测误差很大，比如雷达反射率和真实降水强度之间就不是严格对应关系。今年有论文提出在输入侧加入可学习的噪声扰动，在训练时同时优化预测准确性和不确定性校准度。
第二类是模型结构不确定性。同一个预测任务，用不同随机种子训练出来的多个模型，它们的预测会有差异。这种差异反映的是模型的认知不确定性，可以理解为“模型面对没见过的数据时心里没底”。深集成方法就是通过训练多个模型并统计它们的预测分布来量化这部分不确定性，今年在气象领域有专门的工作验证了方法的有效性。
第三类是输出时空相关性。气象预测的不确定性在空间和时间上都不是独立的：一个区域预测不准，相邻区域往往也不准；某时刻的误差会随时间扩散。如果只对每个格点单独做不确定性量化，会严重低估极端事件的风险区范围。今年有论文在这个基础上做了改进，对预测误差的协方差结构建模，输出的置信区间不再是“逐点带”，而是“带空间相关性的概率场”，这更贴近业务需求。
6.2 校准是核心：不确定性不仅要“有”，还要“准”
量化出不确定性只是第一步，更关键的问题是：这个不确定性估计是否被校准？换句话说，当模型说“有80%概率降水超过50毫米”时，在实际观测中是否真的有约80%的情况降水超过了50毫米？
今年有论文系统地评估了多种不确定性量化方法在降水预报中的校准质量，结论是：单纯的方差预测和MC Dropout在气象场景下校准效果往往一般，分布偏态严重。表现更好的是分位数回归和保形预测方法。特别是保形预测，它不依赖模型的内部结构，只需要在验证集上校准一个缩放因子，就能让置信区间达到目标覆盖率。这个优点对于黑盒模型(比如第三方提供的基础模型API)来说非常有吸引力。
我建议在做不确定性量化时，一定要把可靠性图(可靠性图)作为主要评估工具：把预测概率分成若干桶，统计每个桶内的实际频率，画出对角线偏离程度。很多论文里的不确定性方法看似有效，一画可靠性图就原形毕露，这对我们判断方法是否真的可用非常有帮助。
6.3 可解释性怎么做：注意力可视化之外的新思路
气象预测的可解释性一直是个被忽略但很重要的课题。今年有几个不错的新方向。
物理归因是一个明显趋势。某篇论文不是在模型内部找归因，而是把预测误差追溯到输入物理场上：通过梯度传播或逐块扰动，找出“哪个区域的初始温度/湿度场误差对这次降水预报的偏差贡献最大”。这对数值预报员的诊断非常有价值，相当于给AI预报配了一个“误差体检报告”。
还有一个方向是把自然语言解释引入预测流程。VLM被用在这里做“预测后解释”：首先用专门的预测模型生成降水预报图，然后让VLM基于预报图和输入气象场，生成一段“预报员可读”的解释文本，内容包括主要天气系统位置、预计降水最强区域、演变趋势等。虽然这类说明目前还比较模式化，但它解决了AI预报“虽然数值很准但不知道在说什么”的问题。
最后值得一提的是一种基于示例的解释方法：对于一次预测结果，在训练集中检索出最相似的历史事件，用历史事件的实际演变过程来解释当前预测。这个方法的好处是直观，气象预报员非常认可“类比推理”式的解释方式，因为这就是他们日常做预报的思路。
7. 共性技术问题与排查清单
7.1 数据泄漏：容易忽略但后果严重
我读今年这些论文时，特别注意了有没有数据泄漏的隐患。在最容易踩坑的问题上，提前提醒你。
第一个坑是空间泄漏。如果训练集和测试集来自同一地理区域且没有做空间划分，模型可能只是记住了该区域的气候态和地形特征，而不是学到了真正的预测能力。正确做法是按空间块划分(如把某一纬度和经度范围整体拿出做测试)，而不是随机打乱格点。
第二个坑是时间泄漏。预测模型的训练样本如果来自连续时间序列，相邻时刻的样本高度相关，随机划分训练测试集会让模型“作弊”——它可以通过记忆前几个时刻的状态推断出未来时刻，这不是真正的预测能力。正确做法是按时间先后划分，用前几年训练、后几年测试。
第三个坑是站点-格点混合泄漏。如果同时使用了地面站点观测和卫星反演产品，而地面的站点数据又被用于生成或校准卫星产品，那么站点数据的信息已经间接进入了训练集。训练时用它做标签，测试时也用同样的站点做评估，分数会虚高。这比较难排查，但至少应该在论文里明确说明两类数据的来源和处理流程。
7.2 模型训练稳定性：气象数据的常见绊脚石
气象数据的分布是很不平稳的，训练过程中容易出现剧烈波动。这里有几个我在复现时常用的稳定化技巧。
第一是梯度裁剪。气象场中强对流区域的空间梯度极大，模型在这些位置容易产生非常大的梯度，导致训练发散。我建议把全局梯度范数裁剪到一个较小的范围，这几乎是气象预测模型的标配。第二是学习率调度。气象模型的loss曲面比较崎岖，建议用带预热(warm-up)的余弦衰减调度，前几个epoch用小学习率让模型稳定起步，后期逐步衰减到很小的值。第三是归一化方式的处理。对不同物理量(温度、气压、湿度、风分量)分开做标准化很重要，因为它们不仅量纲不同，分布形态也非常不一样，混合在一起做标准化会扭曲信息。
7.3 从论文到系统的工程落地建议
如果你想把这类论文的方法真正落地到业务系统，有两个工程上的经验值得参考。
第一，模型推理速度与精度之间的取舍要有意识设计。很多论文里的模型为了刷分把输入分辨率拉得很高，但这个分辨率在业务推理时可能达不到实时要求。建议在项目开始时就把推理延迟作为硬指标，在满足延迟的前提下去优化精度，不要等模型训好了再考虑加速，否则会发现很难取舍。
第二，建立一套完整的离线评估和在线监控体系。离线评估用的是历史数据，在线监控用的是实时观测。由于气象环境本身有很强的年际变化，离线评估表现好的模型，到实际部署时可能正好遇到一个罕见事件，表现大打折扣。建议在系统中加入数据漂移监控，实时检测输入数据分布与训练分布的差异，一旦漂移超过阈值就触发模型重训练或人工介入。
8. 写在最后：一些个人观察与下一期预告
我把这十几个方向的工作全部过完之后，最深的体会是：气象环境方向的时空数据研究正在经历一次范式升级——从“用深度学习替代传统算法”，变成“让深度学习与物理规律、业务需求深度协同”。基础模型提供通用表征能力，VLM提供人与模型的交互接口，不确定性量化让预测结果可信可用，可解释性让专家能理解模型的决策依据。这四件事组合起来，已经能看到一个比较完整的AI气象业务闭环的雏形。
如果你对这些方向感兴趣，我建议从降水预报入手，因为它数据集公开、评估指标成熟、物理意义清晰，是最适合入门和深入的研究方向。等你把降水预报的数据处理、模型设计、评估体系都跑通之后，再扩展到空气质量、野火检测会轻松很多，因为它们的数据处理和评估逻辑高度相似。
下一期我打算专门写一篇气象基础模型的复现指南，从数据处理、预训练参数配置、下游微调评估整个流程详细拆开讲。如果你在复现过程中遇到了什么诡异的问题，欢迎在评论区描述你的做法和现象，我会挑典型问题写进复现专题里。
