1.1 数据的经济价值#

NOAA首席数据官Tony LaVoi分享了一组令人印象深刻的数据：

• • 2024年天气预报服务行业收入达102亿美元
• • NOAA观测系统支撑着800家企业，雇用超过30万名员工
• • 金融界正在使用NOAA数据规划与天气相关的金融不确定性

“NOAA数据驱动着经济和社会众多领域的产品和服务。“

1.2 “默认开放”的数据理念#

NOAA是一个”默认开放”的机构——绝大多数数据不仅可以而且依法必须公开。数据的价值只有在被使用时才能体现，而AI/ML正是放大这一价值的关键。

Tony提出了生成式AI与数据交叉点上的三个关键指标：

• • 质量(Quality)
• • 可访问性(Accessibility)
• • 可用性(Usability)

1.3 75个生成式AI试点项目#

在首席技术官Frank Indiglio的领导下，NOAA正在运行约75个生成式AI试点项目。常见主题包括：

1. 1. 数据文档和元数据挑战：利用GenAI自动化数据管理计划和元数据创建
2. 2. 数据发现：解决”我们知道你们有很多数据，但很难找到”的老问题
3. 3. 增强可访问性：使数据对LLM代理更加兼容
4. 4. 态势感知仪表板：实时信息汇总
5. 5. 数据理解和可视化
6. 

1.4 数据治理的警示#

“云和AI将补充和改进，但不能替代我们的核心数据治理和管理要求。高质量数据不是凭空产生的，它来自对数据治理和管理的承诺。”

这是来自首席数据官的”公共服务公告”——技术可以加速，但基础仍然是人对数据质量的承诺。

2.1 什么是本地风暴报告(LSR)？#

本地风暴报告是预报员从各种来源（应急管理人员、公众来电、社交媒体、观测站）收集的风暴事件报告，包括冰雹、龙卷风、热带风暴损害等。

为什么重要？

• • 预报员的实时态势感知
• • 验证预报准确性（预警是否与地面情况吻合）
• • 量化风暴事件的影响

2.2 挑战：手工过程的瓶颈#

撰写LSR是一个手工过程，耗时且不一致。更棘手的是：大规模天气事件时报告最多，而预报员的时间被分散在处理事件和收集报告之间。

2.3 解决方案：GenAI自动起草系统#

与AWS生成式AI创新中心合作，国家气象局正在开发一个系统：

数据源（第一阶段）：

• • 新闻和社交媒体
• • 与应急管理社区的Slack频道
• • 交通部门报告
• • mPING（公众天气事件提交系统）

系统流程：

1
多源数据输入 → GenAI系统起草LSR → 人工审核/编辑/拒绝 → 提交到数据库

关键设计原则：人在回路(Human in the Loop)

系统生成草稿，但最终决定权在预报员——他们可以审核、编辑或拒绝报告。

2.4 早期成果与挑战#

成功案例：
从社交媒体图片中，系统成功提取了：

• • 事件类型
• • 经纬度位置
• • 关键描述信息

挑战场景：

• • “曼哈顿北端”——系统难以精确定位
• • 城市名在多个州重复——需要上下文消歧

2.5 用雷达验证报告可信度#

一个创新点是使用雷达数据验证报告真实性：

1
输入：日期、时间、位置、事件类型
2
↓
3
系统分析雷达数据
4
↓
5
输出：验证结论 + 置信度 + 推理逻辑

示例输出（龙卷风报告验证）：

结论：是，这可能是有效报告
置信度：中等
推理：雷达特征显示沿海系统发展模式，但要确认龙卷风需要更多数据——速度数据、其他地面观测者报告…

系统甚至知道自己需要什么数据才能更有信心——这是一个令人惊喜的表现。

2.6 训练数据的人工积累#

在开发之前，团队发现缺少输入-输出配对数据。于是招募了54名志愿者，创建了600多个配对样本（如：一条推文 → 对应的LSR报告）。

“没有这些数据，我们什么也做不了。向所有志愿者致敬！“

3.1 项目背景：复杂系统的用户接口#

目的地地球是欧洲委员会资助的大型项目，ECMWF与欧洲航天局、EUMETSAT合作构建基于数字孪生的信息系统：

• • 气候孪生：5公里分辨率，十年尺度预测
• • 极端天气孪生：4.4公里分辨率，4天预报

数据分布在不同超算平台，运行各种假设场景，对用户来说非常复杂。聊天机器人的目标是改变用户与信息系统的交互方式。

3.2 目标受众：技术用户#

聊天机器人首先面向技术用户：

• • 特定领域的主题专家
• • 科学家和软件工程师
• • 数据的”高级用户”

3.3 核心功能#

1. 数据发现

• • 数据覆盖范围
• • 可用参数
• • 数据位置

2. 用户支持与API使用

• • 生成代码片段帮助入门
• • 无需翻阅大量API文档

3. 数据获取

• • 从提示到数据提取的完整流程
• • 在浏览器中直接获取数据

3.4 技术架构：防幻觉设计#

1
RAG系统（技术文档 + 数据目录）
2
        ↓
3
    智能体 + 工具
4
        ↓
5
  精确的代码/数据提取

关键设计：智能体查询真实目录

“智能体实际查询真实的数据目录，所以聊天机器人不会编造任何元数据。这防止了用户因获得不存在的数据而产生的挫败感和信任丧失。“

3.5 示例交互#

问题： “我应该在法国南部种植山毛榉吗？”

系统响应逻辑：

1. 1. 识别这是一个与气候数据相关的问题
2. 2. 引导用户到相关数据参数
3. 3. 提供数据获取方式和代码片段
4. 4. 最终答案总是指向数据

“理想情况下，聊天机器人的答案总是数据。“

3.6 未来展望：智能体网络#

一个专注于”从提示到数据”的专业智能体，未来可以成为更大系统的一部分——不同组织的智能体相互连接，形成资源网络。

4.1 公司定位#

Tomorrow.IO是一家SaaS公司，三大核心领域：

1. 1. 平台和API：向客户提供天气预报信息
2. 2. 模型能力：物理模型 + AI/ML模型
3. 3. 全球观测：自有微波探测卫星星座

4.2 AI天气模型的局限与机遇#

GraphCast等开源AI天气模型表现出色，但有一个共同局限：

• • 都在传统再分析数据上训练
• • 都用传统同化系统初始化

机遇：用新的观测数据和初始化方法改进这些社区代码库。

4.3 Focus系统：扩散模型驱动的区域预报#

目标： 公里级分辨率的集合预报

架构： 基于Nvidia Earth-2的U-Net扩散架构，本质上是学习HRRR（高分辨率快速刷新模型）的物理过程。

性能亮点：

• • 单个集合成员在Azure H100上运行仅需6秒
• • 可以快速扩展集合数量
• • 15分钟分辨率，15分钟刷新频率

灵活的输入源：

• • 多个GFS成员
• • ECMWF数据
• • 全球AI模型（可将6小时/25km降尺度到高时空分辨率）

观测数据整合：

• • RTMA
• • 地面站
• • METAR
• • 雷达网络（实时初始化）

4.4 冷池不确定性的表达#

在一个俄克拉荷马州的中尺度对流系统案例中：

• • 确定性HRRR显示阵风锋和冷池的物理表示
• • 扩散模型集合均值结构相似，但包含更多不确定性信息
• • 大集合可以表达冷池边界和阵风阈值的概率分布

这对于预报极端事件至关重要——客户关心的正是这些阈值。

4.5 跨区域迁移学习#

模型在美国训练后，可以应用到其他地区：

• • 去除位置嵌入等约束
• • 保留物理过程学习
• • 结合全球统一降水产品初始化

在缺少密集观测网的地区，这种高效的降尺度能力尤为宝贵。

4.6 Tomorrow微波探测星座#

现状：

• • 7颗在轨卫星
• • 接近亚小时重访能力
• • 数据质量与ATMS相当

意义：
传统同化系统每6小时运行一次。即使AI模型能在几秒内运行，如果初始化数据不新鲜也没意义。Tomorrow的星座填补了这个观测空白。

4.7 ICGen：初始条件生成器#

目标： 利用星座数据高效生成更准确的全球天气状态

方法：

1. 1. 用EDM和ERA5训练无条件扩散模型
2. 2. 推理时用Tomorrow微波探测数据引导扩散过程
3. 3. 生成的初始场保持热力学-动力学一致性

数据否定实验显示：

• • 有/无TMS数据对湿度场有明显影响
• • 湿度校正会传播到动力场
• • 物理一致性得到保持
• 

6.1 数据仍然是基础#

无论技术多先进，数据质量、治理和可访问性仍然是根本。生成式AI是加速器，不是替代品。

6.2 人在回路是必须的#

从NWS的LSR系统到所有专家的讨论，人类监督和决策权是建立信任的关键。

6.3 防幻觉的技术方案#

ECMWF的方法值得借鉴：让智能体查询真实数据目录，而不是让LLM编造元数据。

6.4 观测数据的新价值#

Tomorrow.IO的案例表明，在AI天气预报时代，快速、高质量的观测数据成为新的竞争优势。

6.5 跨职能协作是关键#

从NOAA的战略层面到项目层面，打破IT、数据、科学、运营的壁垒是成功的前提。

6.6 从预测到行动#

Monica的观点发人深省：再完美的预报，如果公众不理解、不行动，就没有意义。生成式AI在”最后一公里”的价值可能比在预测本身更大。