据世界形象组织统计
，在从前50年中
，热带气旋造成了1.4万亿美元的经济损失
，共造成1945次苦难
，夺去约80万人性命。并且受此威胁的人数
，还在攀升。 它们对大气前提的微幼变动极为敏感
，因而精准预测其轨迹和强度一向是形象学界公认的难题。然而
，提高气旋预测正确性将有助于通过更有效的防灾筹备和实时分散来；な茉稚缜。 目前
，他们有多个AI气象模型在实时运行：WeatherNext Graph、WeatherNext Gen以及最新的尝试性气旋模型。Weather Lab还提供了超过两年的汗青预测数据
，供专家和钻研人员下载和分析
，从而表部评估模型在所有海洋流域的阐发。 模型的集中均值预测（粗蓝线）正确预感到Alfred气旋迅速减弱为热带风暴
，并于七天后在澳大利亚布里斯班左近登陆的过程
，同时正确预测在昆士兰海岸登陆的高概率区域。 Weather Lab用户能够索求并比力各类AI与物理模型的预测。倒剽些预测被综合思考时
，有助于形象机构和应急服务专家更好地预判气旋蹊径与强度
，从而更好地应对分歧情景
，传布风险信息
，并支持治理气旋影响的决策。 全球低分辨率模型在预测气旋蹊径方面阐发最佳
，但无法捉拿节造气旋强度的精密过程
，因而必要区域高分辨率模型的辅助。 FGN别离通过分歧机造建模认知不确定性与随机性不确定性（见下图1）：前者通过模型集成实现
，后者则选取与随机函数有关的技术。 在热带气旋蹊径预测方面
，FGN的均匀蹊径预测和蹊径概率预测均显著优于现有模型（ < 0.05）
，是首个在机能上明确超过主流物理模型的AI预测模型。 对于某个特定模型 M
，随机性不确定性在预测轨迹的每一步中通过采样一个低维噪声向量??引入
，该向量用于模型前向传布过程中的参数共享前提归一化。这能够理解为对神经网络权沉施加扰动
，从而获得参数 ??
，因而可视为对神经网络参数的采样。 若要在随机性不确定性下天生 N 个集中成员
，只需独立地对N个分歧的 ?? 进行前提天生即可。认知不确定性通过集成多个独立训练的模型 M 的输出进行建模
，每个模型占有自己的一组参数 {*, Δ}
，并按上述步骤别离天生集中成员的子集。 例如
，对2023和2024年北大西洋与东太平洋流域的NHC观测飓风数据进行初步评估。了局显示新模型在五天内的气旋蹊径预测比ECMW的ENS（全球当先的物理模型集中）均匀近140公里
，达到了ENS三天半预测的正确度
，相当于实现了1.5天的预测进展——这一进展通常需十年能力达到。 固然此前的AI气象模型在气旋强度预测方面阐发欠安
，但新的尝试性模型在均匀强度误差上优于NOAA（美国国度海洋和大气治理局）的HAFS（区域高分辨率物理模型）。