数值天气预报
传统天气预报的核心方法，将大气离散化为三维网格，通过求解流体力学和热力学方程组进行时间步进推演大气状态，需要大量算力和能源
核心事实
时间轴 (近 90 天)
数值天气预报（NWP）一次全球高分辨率季节模拟往往需要消耗数百万CPU小时。
传统数值天气预报基于物理方程，以时间步进方式逐步积分，时间步长受 CFL 条件限制，高分辨率下步长更小、步数更多，成本随分辨率呈超线性增长。
AI 气象模型通过在海量历史气象再分析数据上训练深度神经网络，推断速度可以比传统NWP快数百至数千倍
传统数值天气预报（NWP）依赖大气物理方程组，通过超级计算机求解，运算耗时往往长达数小时，水平分辨率通常在数公里至数十公里级别
在2018年前后之前，所有天气预报模型都基于物理方程推演
数值天气预报（NWP）将大气离散化为三维网格，在每个格点上求解纳维-斯托克斯方程组及热力学、湿度等方程
全球已有大量地面GNSS接收站网络将数据实时同化进数值天气预报模型，改善了降水预报精度
全球均匀分布的高频气压数据正是当前数值天气预报模型最渴求的输入之一，尤其在海洋、极地等观测稀疏地区
数值天气预报（NWP）的空间分辨率通常在数公里到数十公里量级，时间更新间隔为6小时甚至更长
传统天气预报主要依赖政府气象机构发布的大尺度数值预报模型，覆盖范围广但更新频率有限、空间分辨率较粗
还有 5 条时间轴事件
全部知识事实 (15)
AI 气象模型通过在海量历史气象再分析数据上训练深度神经网络，推断速度可以比传统NWP快数百至数千倍
75%已验证确定性天气预报的时间上限通常认为约两周
75%待验证AI天气模型相比传统数值预报展现出两大核心优势：计算效率更高（预测速度可达传统方法的数千倍）以及预测精度相当甚至更优
70%待验证数值天气预报（NWP）一次全球高分辨率季节模拟往往需要消耗数百万CPU小时。
50%待验证传统数值天气预报基于物理方程，以时间步进方式逐步积分，时间步长受 CFL 条件限制，高分辨率下步长更小、步数更多，成本随分辨率呈超线性增长。
50%待验证传统数值天气预报（NWP）依赖大气物理方程组，通过超级计算机求解，运算耗时往往长达数小时，水平分辨率通常在数公里至数十公里级别
50%待验证数值天气预报（NWP）将大气离散化为三维网格，在每个格点上求解纳维-斯托克斯方程组及热力学、湿度等方程
50%待验证在2018年前后之前，所有天气预报模型都基于物理方程推演
50%待验证全球已有大量地面GNSS接收站网络将数据实时同化进数值天气预报模型，改善了降水预报精度
50%待验证全球均匀分布的高频气压数据正是当前数值天气预报模型最渴求的输入之一，尤其在海洋、极地等观测稀疏地区
50%待验证数值天气预报（NWP）的空间分辨率通常在数公里到数十公里量级，时间更新间隔为6小时甚至更长
50%待验证AI 天气模型推理时无需求解偏微分方程组，因而速度比传统 NWP 快几个数量级
50%待验证传统天气预报主要依赖政府气象机构发布的大尺度数值预报模型，覆盖范围广但更新频率有限、空间分辨率较粗
50%待验证全球数值天气预报NWP产品的空间分辨率通常为9-25公里
50%待验证传统数值天气预报（NWP）诞生于20世纪50年代，通过求解纳维-斯托克斯方程、热力学方程和水汽守恒方程等偏微分方程来模拟大气未来状态
50%