机器学习模型CloudCast v2实现12小时云量预报，误差较前代降低10%
CloudCast v2先以再分析数据学习云演变规律，再用条件流匹配适配卫星云图，将观测初始化的机器学习预报从1-3小时延伸至12小时，在1-12小时内平均绝对误差较前代降低10%。
AI解读：传统短临预报擅长在最初几小时保持卫星观测到的云的位置，但云会生成、消散和变形，时效越长越难预测；数值天气预报虽能模拟大气演变，但初始化时往往不能准确保住卫星看到的云的初始状态。CloudCast v2用两步训练解决这个矛盾：先在欧洲区域再分析资料上学习云的演变规律，再用条件流匹配这一生成式方法把模型适配到卫星云图上，以观测到的初始云场和数值天气预报数据为条件生成未来12小时的云量预报。结果是相对前代CloudCast v1，1-12小时内的平均绝对误差降低10%，大约3-6小时后在空间匹配指标上超过旧版。对光伏电站运营和太阳辐射预报的使用者来说，这意味着中期（数小时至半天）云量预估有了一个能保留卫星空间细节的观测初始化的机器学习选项；但论文还处于arXiv预印本阶段，实际业务部署前仍需评估其在不同天气条件下的稳定性和计算成本缩放。
芬兰气象研究所的研究人员发布CloudCast v2，一个从观测初始条件出发、预报未来12小时云量的机器学习模型。该模型先在哥白尼欧洲区域再分析数据上训练以学习云演变动态，再用条件流匹配（一种以观测初始云场和数值天气预报输入为条件的生成式方法）适配到卫星云图。研究显示，CloudCast v2在1-12小时范围内平均绝对误差较其前代CloudCast v1降低10%，并在约3-6小时后（视云量类别而定）在分数技巧评分——衡量空间一致性的邻域指标——上超过CloudCast v1。该论文于2026年9月3日提交至arXiv（编号2609.03763），作者为Mikko Partio、Leila Hieta和Ossi Laine，目前为预印本状态。
研究要解决的问题是：短临预报能在最初几小时保留观测到的云的位置，但当云场经历生成、消散和变形时其技巧下降；更长预报时效需要解释大气演变，但业务数值天气预报在初始化时可能无法准确表现卫星观测到的云的状态。
云量预报的准确性对温度预测、辐射预报和太阳能电站运营有直接影响。
模型训练与设计
CloudCast v2的训练分两个阶段。第一阶段在Copernicus European Regional Reanalysis（Ridal2024）上训练，让模型学习云的演变动态；第二阶段用条件流匹配（Lipman2023）将其适配到卫星云量场，该生成式方法将噪声转化为云量预报，条件为观测到的初始云场和数值天气预报输入。
论文将这一结果解读为：观测初始化的机器学习预报可以在保留卫星云场空间细节的同时，将预报时效延伸至通常1-3小时临近期预报范围之外。
评估结果
在1-12小时范围内，CloudCast v2相比CloudCast v1（Partio2025）平均绝对误差降低10%。
在分数技巧评分（衡量空间一致性的邻域指标）上，CloudCast v2约在3-6小时后超过CloudCast v1，具体取决于云量类别。
论文未提供对全新天气系统或极端云事件上的单独验证，也未披露推理计算量或业务部署可行性数据。评估数据仅来自单篇arXiv预印本摘要，本研究未获取论文全文。