「明明报的是晴天，怎么就下起雨了？」这类抱怨背后，其实藏着一整套大气科学的底层逻辑。现代天气预报以数值天气预报为核心：根据大气实际情况，在一定的初值和边值条件下，通过大型计算机求解描写天气演变过程的流体力学和热力学方程组，把未来天气「算」出来。但大气本身是一个混沌系统，对初始条件极其敏感，观测中极其微小的误差会随预报时效被不断放大，这就是所谓的蝴蝶效应。本文将科普数值预报的原理、天气预报的制作流程、气象观测数据来源、集合预报方法，以及24小时到7天的预报准确率变化规律，帮你真正读懂预报背后的科学。
综合科普中国、百度百科「数值天气预报」等权威科普资料：现代天气预报以数值预报为核心，其准确率随时效延长而下降，行业常见的实测口径为24小时约95%、3天约80%、7天约60%，10天以上更适合参考天气趋势。为量化这种不确定性，气象部门采用集合预报方法，用多个（约50个）带有微小扰动的初始条件分别运算，当75%以上的成员指向同一结果时才比较有把握地发布。 （来源：科普中国「数值天气预报」、百度百科「数值天气预报」、行业实测口径）
天气预报是人类最古老也最实用的科学实践之一。回顾它的发展，可以清晰地看到两条技术路线的此消彼长：一条是依靠经验的经验天气学，另一条是依靠计算的数值预报。
在数值预报出现之前，预报主要依靠经验天气学。预报员观察云状、风向、气压与湿度变化，结合天气图上的高低压系统、锋面位置以及本地长期积累的经验，综合判断未来的阴晴冷暖。这种方法高度依赖预报员的个人经验与主观判断，遇到相似的形势会给出相似的结论，但难以做到定量、客观，也很难准确说清「几点几分、哪个地方、下多大雨」。在很长一段时间里，经验天气学是预报业务的主导。
另一种思路则完全不同：把大气看作一个可以被数学描述的物理系统，用一组方程刻画它的运动，再用计算机一步步向前推演。这就是数值预报的思想。它的优点是定量、客观、可重复——只要输入的大气状态和物理规律足够准确，结果就不依赖于某一个人的经验。
1904年，挪威气象学家皮叶克尼斯（Bjerknes）首次提出数值天气预报的基本理论思想，指出天气预报本质上是一个数学物理问题：只要已知当前大气的状态，并掌握大气运动的规律，理论上就可以推算出未来的状态。1922年，英国气象学家理查森（Richardson）第一次尝试开展数值预报实验，虽然因为当时的观测资料和算力都严重不足而失败，但为后世留下了宝贵的经验与教训。1950年，美国科学家查尼（Charney）等人利用世界第一台通用电子计算机ENIAC，做出了世界上首张由电子计算机完成的24小时天气预报图，数值预报首次获得成功。 （来源：百度百科「数值天气预报」、科普中国「数值天气预报」）
此后，数值预报逐步成为现代天气预报的支柱。但这并不意味着经验天气学被淘汰——它演变为预报员在数值模式结果基础上的主观订正，与数值预报共同构成了今天「机器算 + 人工判」的业务体系。想要了解手机上看到的预报产品如何落地面向用户，可以进一步查看 天气软件。 （来源：《天气学原理和方法》、《气象学与生活》）
数值天气预报有一个相对严谨的学术定义：根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学方程组，预测未来一定时段大气运动状态和天气现象的方法。它属于定量、客观的预报方法。 （来源：百度百科「数值天气预报」、科普中国「数值天气预报」）
这个定义看似简略，拆开来却包含三个关键要素，理解它们就理解了数值预报的全部难点所在。
难点在于，这些方程高度非线性，不同尺度的运动互相耦合，几乎不可能求出解析解。于是数值预报采用「化整为零」的办法：把地球大气切成一个个网格（格点），用差分等数值方法逐步近似求解，一个时间步一个时间步地推向未来。网格越细、时间步越小，精度越高，但计算量也呈几何级数增长——这就是数值预报极其依赖超级计算机的根本原因。
正因如此，数值天气预报被誉为20世纪最伟大的科技发展之一。气象学与超级计算机的结合，让「算天」从幻想变成日常。中国1955年开始摸索数值天气预报，1959年在计算机上进行计算，1969年国家气象局正式发布短期数值预报，此后逐步建立起自主的数值预报体系。 （来源：百度百科「数值天气预报」、科普中国、中国数字科技馆「数值天气预报」）
手机上那条简短的天气信息，背后是一条严密的工业化生产链。一次完整的数值预报，通常要经过观测、初始场、模式计算和人工订正四个环节。
以手机端产品为例，15天预报通常就是数值模式输出的中期延伸结果经加工后呈现给用户，时效越长，人工订正与概率表达的成分就越多。 （来源：科普中国「数值天气预报」、《天气学原理和方法》）
需要强调的是，「模式计算」虽然强大，但并不等于预报的全过程。模式擅长把握大尺度环流演变，而人工订正擅长处理局地细节和模式系统性偏差，两者合作才能给出既客观又接地气的预报。
预报要「算」得准，首先得有足够多、足够准的观测数据。气象观测是研究、测量和观察大气物理与化学特性以及大气现象的方法，观测内容涵盖温度、湿度、气压、风、降水、云、能见度、辐射等。现代气象观测是一个「天地空」一体的立体网络，主要有以下几类手段。 （来源：《世界地理全知道》气象观测条目、中国数字科技馆）
值得注意的是，无论观测手段多么丰富，观测点相对整个大气而言仍然十分稀疏，而且每种仪器都有各自的测量误差。这种「永远不够完整、永远带有误差」的初始状态，正是后面要讲到的混沌与预报不确定性的根源之一。长期积累的观测资料还会被加工成气候资料，服务于农业、林业、交通、水文、环保等领域的规划与研究。
对普通人而言，观测数据的直接价值之一体现在短临预报上：雷达回波和卫星云图能较准地判断未来一两小时的降水趋势。想了解这类分钟级信息在手机上的呈现，可查看 空气质量 与相关生活要素的解读。 （来源：《世界地理全知道》、中国数字科技馆）
要回答「天气预报为什么不准」，最核心的答案就是：大气是一个混沌系统，对初始条件极其敏感。
所谓混沌，并不是指完全随机、毫无规律，而是指系统虽然由确定的规律支配，但其长期行为却对初始状态极其敏感——初始条件下极其微小的差别，都会随时间的推移被不断放大，最终导致结果大不相同。1960年代，气象学家洛伦兹（Lorenz）在研究简化的大气对流方程时偶然发现，仅仅把初始数值的精度稍微改动一点点，长时间后的结果就面目全非。他用「一只蝴蝶在巴西扇动翅膀，可能在美国引发一场龙卷风」的比喻来形容这种敏感性，这就是广为人知的蝴蝶效应。
把这一原理放回天气预报中就能明白：无论观测网多么密集，我们都不可能百分之百精确地知道此刻大气的真实状态。观测仪器有误差，观测站点之间存在大片空白，资料同化又做了近似处理。这些「微小误差」就是蝴蝶效应的起点——它们会随着预报时效被不断放大，最终让模式算出的未来天气与真实天气出现偏差。 （来源：科普中国「数值天气预报」、《气象学与生活》、中国数字科技馆）
因此，预报准确率随天数下降并不是预报员水平不够，而是被物理规律所决定的客观限制。这也解释了为什么气象部门在预报远期天气时，往往用「多云到阴，局部有雨」这类带有概率色彩的表述，而不轻易给出「某时某地一定下雨」的绝对结论。理解这一点，你就能对长期预报保持合理预期。
受混沌性与误差放大的共同影响，预报准确率整体呈现「越近越准、越远越虚」的规律。按行业常见的实测口径，24小时预报准确率约为95%，3天约为80%，7天约为60%。 （来源：行业实测口径、科普中国「数值天气预报」）
| 预报时效 | 大致准确率 | 使用建议 |
|---|---|---|
| 24小时 | 约95% | 可直接据此安排出行与着装 |
| 48小时 | 约90% | 短途出行较为可靠 |
| 3天 | 约80% | 日程安排的重要参考 |
| 5天 | 约70% | 关注有无明显天气过程 |
| 7天 | 约60% | 主要看大趋势，谨慎对待细节 |
| 10天以上 | 明显下降 | 仅作趋势参考，临近再复核 |
需要说明的是，准确率的具体数值与统计口径、地区、季节以及要素类型都有关系。一般而言，温度预报比降水预报更稳定，晴雨的趋势比「几点下雨、下多大」的细节更可靠；同样是3天预报，冬季大范围冷空气过程的把握，往往高于夏季局地雷阵雨。所以这些数字应当理解为「普遍规律」而非「绝对标准」，用「参考」的心态去看待更为准确。
正因为远期预报的确定性会明显下降，气象部门在发布中期和延伸期预报时，会更多地采用概率和趋势的表达方式。这种做法与后面要讲的集合预报思想一脉相承，也是你理解 15天预报 为什么更适合看趋势的关键。 （来源：《气象学与生活》、行业实测口径）
既然初始误差无法完全消除，与其试图给出唯一确定的预报，不如换一个思路：把不确定性本身也算出来。这正是集合预报（ensemble prediction）的核心思想。
集合预报的做法，是运行多个（约50个）带有微小扰动的初始条件模型。具体来说，以分析得到的初始场为基础，人为地在合理范围内构造一组略有差异的初始状态，分别作为起点驱动同一个数值模式向前运算，得到一组预报结果。如果这组结果彼此接近，说明预报比较有把握；如果结果分歧很大，就说明这次预报的不确定性很高。 （来源：科普中国「数值天气预报」、百度百科「数值天气预报」）
在业务发布时，气象部门会更谨慎地对待分歧较大的预报。常见的做法是：当集合成员中75%以上指向同一结果时，才会比较有把握地对外发布这一结论；若成员分歧明显，则倾向采用更保守、带概率的表述。这样，单一确定性预报就变成了「一组可能性 + 各自的概率」，用户看到的不再是「一定下雨」，而可能是「降水概率70%」。 （来源：科普中国、行业科普资料）
理解了集合预报，你就会明白：预报里出现的「概率」「可能性」并非模棱两可的含糊其辞，而是对大气不确定性最诚实的科学表达。这也与 预警信号 的分级逻辑相通——等级越高，意味着灾害发生的可能性或强度越大，越需要重视。 （来源：科普中国「数值天气预报」）
夏季的雷阵雨，是人们感觉预报「不准」的高发场景：「预报说没雨，结果被淋了」「预报说有雨，却一直大太阳」。这背后主要涉及局地热对流这一小尺度天气过程。
夏季午后，地面在强烈日照下不断受热，近地面空气被加热后变得不稳定，能量持续累积。当累积到一定程度时就会触发对流——暖湿空气猛烈上升、凝结成云，进而形成雷阵雨。这种对流上升的尺度往往只有几公里到几十公里，发展非常迅速，在时间和空间上都带有很强的随机性。 （来源：《气象学与生活》、《天气学原理和方法》）
问题在于，数值模式的网格分辨率通常难以精确刻画这种小尺度对流，而它究竟在具体哪个位置、具体哪个时刻被触发，又高度依赖于局地的地形、下垫面、水汽和温度微差，本身就带有随机性。因此，预报员只能在把握大范围形势的基础上，用「午后局部地区有雷阵雨」这样带概率和范围的表述来提示风险，而无法保证「某条街几点下」。 （来源：中国数字科技馆、《气象学与生活》）
换句话说，夏季雷阵雨「难报」，不是因为预报不用心，而是这类天气过程恰好落在数值预报最不擅长、混沌特性最突出的尺度上。对于这类天气，最实用的做法是关注临近的雷达回波与分钟级降水预报，因为这些基于实时观测的短临信息，恰恰能弥补远期模式的不足。
近年来，以深度学习为代表的AI天气预报方法发展迅速，引发了「AI是否会取代数值预报」的讨论。要理性看待这个问题，先要弄清两者各自的特点。
数值预报以明确的物理定律为基础，通过求解方程组推演大气演变，物理约束强、可解释性好，是业务预报的基石，尤其在极端天气和短时临近预报中仍难以被替代。AI方法则通常以海量历史资料为训练样本，直接学习大气状态与未来天气之间的统计映射关系，其推理速度往往远快于传统的数值积分，在时效较短、样本充足的情形下表现出很强的竞争力。 （来源：科普中国、行业公开科普报道）
目前业内比较普遍的观点是，AI预报与数值预报更可能是互补关系。一方面，AI对训练数据高度依赖，对尚未在历史资料中充分出现过的极端情况，其表现可能不够稳定，也较难直接给出严格满足物理规律的解；另一方面，数值预报则存在算力消耗大、单次运算时间长等局限。把二者结合起来——例如用AI加速数值模式的运算、用AI对数值预报结果做订正、或者把AI与数值模式做成集合成员——更有希望兼顾速度与物理可靠性。 （来源：行业公开科普报道、科普中国）
对普通用户而言，这意味着未来的天气应用有望变得更快、更细、更准，但也提醒我们：无论技术如何演进，大气混沌的本质不会改变，预报仍然是一份「概率与趋势的报告」。想了解这些技术最终如何体现在具体的产品与体验上，可以参考 天气软件 与 台风路径 等内容的解读。
理解了原理，就能更聪明地使用预报。以下几个习惯，能让你少踩很多「预报不准」的坑。
把这一页的原理与 空气质量、台风路径 等实用信息结合起来看，你就能建立起一套完整的「看天气」方法论。 （来源：《天气学原理和方法》、《气象学与生活》、中国数字科技馆）
主要原因是大气是一个混沌系统，对初始条件极其敏感，观测数据中的微小误差会随预报时效不断被放大，也就是所谓的蝴蝶效应。此外，数值模式求解方程组时存在近似，夏季午后局地热对流等小尺度天气本身也难以精确定位，因此预报越远期误差越大。
数值天气预报是根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学方程组，预测未来一定时段大气运动状态和天气现象的方法，是一种定量、客观的预报方法。
按行业常见的实测口径，24小时预报准确率约为95%，3天约为80%，7天约为60%。时效越长准确率越低，10天以上通常只看天气趋势，不宜当作某一天某一时刻的精确承诺。
集合预报是用多个（约50个）带有微小扰动的初始条件分别运行数值模式，得到一组预报结果，再按概率对外发布。当75%以上的成员指向同一结果时才会比较有把握地发布，从而把单一确定性预报变成概率预报。
蝴蝶效应指混沌系统对初始条件极其敏感，初始条件下极其微小的变化，都可能引发整个系统长期的巨大连锁反应。大气正是典型的混沌系统，因此初始观测的微小误差会被不断放大，这从物理上决定了天气预报的准确率存在上限。
夏季午后地面强烈受热，能量不断累积，当累积到一定程度就会触发局地热对流，形成雷阵雨。这种对流尺度小、发展快，具体在哪个位置、哪个时刻触发有很强的随机性，因此预报中常用「午后局部地区有雷阵雨」这样带概率的表述。
目前业内普遍认为二者是互补关系。AI方法在推理速度和捕捉历史规律上优势明显，但过度依赖训练数据，对极端天气与短临预报仍不够稳定；数值预报有明确的物理基础，仍是业务预报的基石。更现实的方向是AI与数值模式结合，用AI订正或加速数值预报。