数值模型与机器学习各做什么
数值天气预报以物理方程和观测同化为基础，面向未来数天；长期气候模型用于研究不同强迫和情景下的统计变化。ECMWF 的 AIFS 系列说明数据驱动模型已进入业务预报体系，但预测能力仍需按变量、地区和提前量验证。企业关心的厂区积水或室内热负荷，往往比全球模型网格小得多。
空间降尺度可把粗网格信息变成更细的结构，时间降尺度可补足小时变化；它们增加细节，不会自动创造不存在的真实观测。极端尾部和复杂地形仍需独立检验。
地理空间学习需要资产语境
遥感影像分类可以识别水体变化、植被和地表温度；图网络可描述港口、供应商与物流节点的依赖关系；时间序列模型能检测气象异常。模型输出要与资产边界、设备高程和运营阈值相连，才有企业含义。经纬度错位几百米就可能把工厂放到另一条河道或另一个地形单元。
大语言模型适合解释数据字段、汇总来源和辅助编制分析说明，但不能自行补造降雨记录、供应商位置或损失函数。可靠流程需要可追溯的检索、引用和人工复核。
把不确定性放进界面
长期情景不是某一天的确定性预报。结果应并列展示不同情景、模型集合和基准期，说明偏差订正方法，并避免把小数点后的精度当作真实准确度。企业可以用范围值比较投资方案：例如在多个情景下，某处厂址是否都需要提高防洪标准。
当模型结论与现场经验冲突时，应回查坐标、数据时间、地形和阈值，而不是简单地相信算法或否定观察。可解释性最终服务于决策责任。
如何检验一个气候 AI 输出
评估模型前先写清楚任务：预报未来十天是否有强降雨、识别昨日洪水范围，还是比较未来三十年的热浪天数。针对预报，要按时间提前量、地区和极端阈值做历史回报检验；针对遥感分类，要核查人工标注样本与漏检率；针对长期情景，要比较多模型结果与历史基准期。不同任务的评分方式不应混用。
企业真正需要的是“从输出到行动”的证据。若系统判定某厂高风险，应能追溯它使用了哪个坐标、哪版气象资料、什么设备阈值，以及结论对这些输入有多敏感。语言模型可以组织解释，却不能替代物理数据质量检查。若输入信息缺失，界面应直接标注“资料不足”，比生成流畅但没有依据的确定判断更负责任。
预测、解释和决策必须分层
气象模型回答的是天气变量，气候模型回答的是长期统计变化，遥感模型回答的是影像中看到了什么；企业风险判断还要加入设施和运营条件。如果一个对话系统把“未来气温可能上升”直接推论为“某工厂将损失多少收入”，中间至少缺了设备阈值、停产概率和财务传导三层证据。每层应由适合的专业方法承担。
人机协同的价值在于加快资料检索、异常筛查和解释，但最终报告应展示来源链接、模型版本与复核记录。对无法回答的问题，明确给出资料缺口及下一步调查建议。
应用情景
在一次港口暴雨风险评估中，天气预报模型提供未来几天的降雨概率，遥感模型识别已经发生的积水，地理模型把港口与企业货流连接，大语言模型则整理这些证据并生成可读说明。四种模型可能同时出现在一个产品中，但每种都有独立的误差来源。若卫星图像是两天前的，不能说港口此刻仍被淹；若货流台账已过期，准确的天气预报也无法正确推断订单影响。模型体系的核心是让时间、位置和数据来源一致。
参考资料
本文为公开资料基础上的原创研究解读。资料可能更新，具体应用请以原始机构发布版本为准。