災難性氣候在全球范圍內的影響日趨嚴重，經濟損失和死亡人數都在飆升。例如自1980年以來，美國年平均遭受天氣災害損失高達3630億美元，累計總損失超過1.3萬億美元，其中颶風造成的損失最大。平均而言，每次颶風事件造成的損失高達228億美元。人員傷亡同樣具有毀滅性。1980年至2023年間，颶風在美國造成6890人死亡。

隨著氣候變化加劇更頻繁和更強烈的風暴，沿海社區面臨著越來越多的挑戰。在某些情況下，颶風已經深入內陸。準確的工具對于預測這些風暴的嚴重程度、時間和位置以及評估它們造成的破壞至關重要。

如今可能已經擁有實現這一目標的技術。當颶風Beryl于7月橫掃大西洋時，谷歌Deepmind的GraphCast預測風暴將從墨西哥南部急劇轉向德克薩斯州。這一預測比傳統方法早了一周，結果證明是準確的。

其他幾家大型科技公司也推出了人工智能天氣預報工具。例如，NVIDIA開發了StormCast，這是與美國勞倫斯伯克利國家實驗室和華盛頓大學合作開發的。

微軟推出了Aurora Atmosphere，這是一個強大的天氣預報平臺，利用33億個參數進行高度準確的預報。

在類似進展的基礎上，美國國家航空航天局（NASA）和IBM合作推出了Prithvi天氣和氣候人工智能模型，該模型使用人工智能來填補氣候數據中的空白并改進颶風預報。該模型一直保持開源，允許研究人員和開發人員為各種應用（包括颶風預報）貢獻和調整模型。

預測颶風最具挑戰性的方面之一是了解為什么一些颶風會迅速加劇。邁阿密大學Rosenstiel海洋、大氣和地球科學學院的研究員Michael Scott Fischer正在利用人工智能來更深入了解推動這種快速加劇的復雜因素。

為了提高預測的準確性，Fischer正在通過整合歷史颶風測量數據來改進當前的風暴數據。這包括從浮標、衛星和颶風獵人飛機等來源收集的各種數據，如風速和濕度水平。

Fischer解釋說：“我使用各種觀測數據集和數據科學方法來識別經歷了快速增強的風暴子集之間的共性。”“希望有了這些知識，我們可以提供工具來改善對熱帶氣旋的預測。”

根據Fischer的說法，手動分析數十年的風暴數據將非常耗時，這就是他使用機器學習（ML）算法的原因。他的目標之一是在不讓飛機飛入風暴系統的情況下，在大西洋盆地建立一個活躍颶風的3D結構。

Fischer說：“一旦風暴位于西部，我們就可以進入飛機的射程內，在大西洋上空進行空中偵察是例行公事。但即便如此，我們也并不總是有飛機在那里。颶風獵人可以在風暴中飛行數小時，讀取數據。但最終，他們必須返回基地，加油，并部署新的機組人員。這需要時間。”

“我們的方法將使我們能夠始終擁有風暴外觀的完整三維結構。這不僅對大西洋盆地特別有用，而且對全球其他形成颶風但并不總是有常規飛機觀測的盆地也特別有用。”

人工智能模型在天氣預報方面取得了重大進展，但它們仍然面臨著顯著的挑戰。一個關鍵的限制是他們對歷史數據的依賴。如果用于訓練這些模型的數據不完整、過時或不準確，預測可能會出現偏差。

雖然人工智能模型處理數據的速度比手動方法快得多，但它們仍然取決于它們收到的數據的質量。從雷達和飛機收集的數據通常會有噪音，這會破壞其質量。此外，人工智能模型可能難以解釋以前從未發生過的罕見或前所未有的事件。

Fischer強調，盡管人工智能技術發展迅速，但它永遠不會取代人類。預測必須轉化為可操作的指導，如疏散計劃和安全預防措施，以確保社區了解潛在影響并做出適當反應。這種人性化的關懷對于在惡劣天氣下拯救生命和保護社區至關重要。