AI天气预报常被写成一场“谁替代谁”的竞赛。到了预报业务现场，问题要具体得多：全球尺度的预测怎样送进区域模式？台风强度和极端降水这类局地过程，又该怎样细化？
中国气象科学研究院公开的一项成果给出了可观察的样本。该院灾害天气国家重点实验室徐洪雄研究员领衔团队，将Pangu-Weather与WRF-ARW区域数值模式结合，相关论文发表于《Environmental Research Letters》。团队检验的是一条实际预报流程：用AI天气大模型驱动区域模式，处理极端降水和台风强度预报。
先把“准确率提升30%”拿掉
现有可引用材料提到提高运行效率、延长预报时效和改善准确率，却没有给出一个适用于所有任务的统一“30%”。台风强度、降水落区和降水量使用的评价指标不同，预报时效与具体个例也会改变结果。把这些成绩压成一个总百分比，结论就跑到了来源前面。
更稳妥的表述是：这项研究在极端降水和台风强度预报中取得了积极结果，显示出业务应用潜力。改善幅度仍要回到论文的变量、区域、时效和评分方法逐项核对。“准确率提升30%”不适合继续作为标题卖点。
盘古管全球，WRF盯区域
华为云盘古气象采用三维地球特定变换器（3D Earth-Specific Transformer）和分层时间聚合算法。复旦大学公开资料显示，该模型基于1979—2017年全球天气再分析数据训练，可实现0.25°分辨率的全球中期天气预报。2023年7月6日，相关研究成果在《Nature》正刊发表。
中国气象科学研究院做的下一步，是把这种全球预测能力接入区域模式。Pangu-Weather先生成大尺度气象场，经过必要的数据转换后进入WRF-ARW，作为区域计算的驱动；WRF-ARW继续处理目标区域的天气演变，输出极端降水和台风强度相关预报。
全球预测和区域精细化由此串成一条流程。区域数值模式仍在其中，物理计算没有被完全交给AI。同类讨论里也常出现FourCastNet，但这项工作没有做模型横向比较。公开材料支持的组合很明确：Pangu-Weather与WRF-ARW。
真正费工夫的是接口
模型接上了，事情只做了一半。变量、空间分辨率、时间步长和数据格式都要匹配；上游预测出现偏差，也会影响区域结果。WRF-ARW还有自己的物理参数化和区域配置。换了驱动场，评估照样不能省。
对于已有WRF-ARW流程的机构，这种做法有一个现实好处：区域模式可以保留，改造重点放在上游驱动、数据转换和效果验证。公开材料提到的效率优势，也要经过数据转换、模式运行和产品制作，才能真正变成预报业务里的时间优势。
这正是混合方案更接近业务现场的地方。评价一套气象AI，不能只看模型单次推理有多快，还要看它能否稳定进入现有预报系统，能否被区域模式正确读取，出了问题是否可以追溯。
从论文结果到业务预警，还要继续验证
极端天气预报很难靠一两个案例下定论。要稳定投入业务，还需按区域、季节、预报时效和天气类型继续评估，并保留观测对照与预报员复核。
论文结果也不能直接外推成自动化应急决策。预报模型只是链条的一部分，预警发布还涉及观测、会商和业务规则。现有材料能够确认的，是Pangu-Weather驱动WRF-ARW的技术路线，以及它在极端降水和台风强度预报中的应用结果。
这项工作的价值已经足够具体：AI全球预报与区域数值模式被接进同一套流程，并在极端天气任务中接受检验。统一“提升30%”的说法缺少材料支撑，没必要用一个漂亮数字盖住真正的工程进展。
