灾难性气候在全球范围内的影响日趋严重，经济损失和死亡人数都在飙升。例如自1980年以来，美国年平均遭受天气灾害损失高达3630亿美元，累计总损失超过1.3万亿美元，其中飓风造成的损失最大。平均而言，每次飓风事件造成的损失高达228亿美元。人员伤亡同样具有毁灭性。1980年至2023年间，飓风在美国造成6890人死亡。
随着气候变化加剧更频繁和更强烈的风暴，沿海社区面临着越来越多的挑战。在某些情况下，飓风已经深入内陆。准确的工具对于预测这些风暴的严重程度、时间和位置以及评估它们造成的破坏至关重要。
如今可能已经拥有实现这一目标的技术。当飓风Beryl于7月横扫大西洋时，谷歌Deepmind的GraphCast预测风暴将从墨西哥南部急剧转向德克萨斯州。这一预测比传统方法早了一周，结果证明是准确的。
其他几家大型科技公司也推出了人工智能天气预报工具。例如，NVIDIA开发了StormCast，这是与美国劳伦斯伯克利国家实验室和华盛顿大学合作开发的。
微软推出了Aurora Atmosphere，这是一个强大的天气预报平台，利用33亿个参数进行高度准确的预报。
在类似进展的基础上，美国国家航空航天局（NASA）和IBM合作推出了Prithvi天气和气候人工智能模型，该模型使用人工智能来填补气候数据中的空白并改进飓风预报。该模型一直保持开源，允许研究人员和开发人员为各种应用（包括飓风预报）贡献和调整模型。
预测飓风最具挑战性的方面之一是了解为什么一些飓风会迅速加剧。迈阿密大学Rosenstiel海洋、大气和地球科学学院的研究员Michael Scott Fischer正在利用人工智能来更深入了解推动这种快速加剧的复杂因素。
为了提高预测的准确性，Fischer正在通过整合历史飓风测量数据来改进当前的风暴数据。这包括从浮标、卫星和飓风猎人飞机等来源收集的各种数据，如风速和湿度水平。
Fischer解释说：“我使用各种观测数据集和数据科学方法来识别经历了快速增强的风暴子集之间的共性。”“希望有了这些知识，我们可以提供工具来改善对热带气旋的预测。”
根据Fischer的说法，手动分析数十年的风暴数据将非常耗时，这就是他使用机器学习（ML）算法的原因。他的目标之一是在不让飞机飞入风暴系统的情况下，在大西洋盆地建立一个活跃飓风的3D结构。
Fischer说：“一旦风暴位于西部，我们就可以进入飞机的射程内，在大西洋上空进行空中侦察是例行公事。但即便如此，我们也并不总是有飞机在那里。飓风猎人可以在风暴中飞行数小时，读取数据。但最终，他们必须返回基地，加油，并部署新的机组人员。这需要时间。”
“我们的方法将使我们能够始终拥有风暴外观的完整三维结构。这不仅对大西洋盆地特别有用，而且对全球其他形成飓风但并不总是有常规飞机观测的盆地也特别有用。”
人工智能模型在天气预报方面取得了重大进展，但它们仍然面临着显著的挑战。一个关键的限制是他们对历史数据的依赖。如果用于训练这些模型的数据不完整、过时或不准确，预测可能会出现偏差。
虽然人工智能模型处理数据的速度比手动方法快得多，但它们仍然取决于它们收到的数据的质量。从雷达和飞机收集的数据通常会有噪音，这会破坏其质量。此外，人工智能模型可能难以解释以前从未发生过的罕见或前所未有的事件。
Fischer强调，尽管人工智能技术发展迅速，但它永远不会取代人类。预测必须转化为可操作的指导，如疏散计划和安全预防措施，以确保社区了解潜在影响并做出适当反应。这种人性化的关怀对于在恶劣天气下拯救生命和保护社区至关重要。