亚千米气象模型如何重塑电力公司野火风险决策

当美国国家气象局（NWS）于2025年5月27日发布常规对流天气展望时，针对休斯顿都会区的公开预报显示阵风普遍在每小时48至64公里，局部地区可能达到72至96公里。然而，CenterPoint能源公司的气象团队所看到的却是另一番图景。来自Climavision的亚千米模型标记出移动缓慢的雷暴，阵风超过每小时80公里，并精确锁定了风力最强的走廊地带——Greenspoint、The Woodlands、Humble、Kingwood和Galveston。这份预报足够具体，也足够可信，足以支撑实质性行动。CenterPoint在午夜便提前部署了1300支抢修队，而非让其处于待命状态。最终，该走廊实测阵风达到每小时96至112公里。停电峰值约为167,000户，当天结束时，该公司完成了99%的恢复供电工作。

这类决策——在风暴来袭前数小时就已敲定，以具体到足以在事后向监管机构解释的预报为依据——正是各电力公司希望从叠加于公共气象产品之上的先进预报层中获取的能力。而且，这已不再只是美国西部的故事。卡罗来纳州和田纳西州因干旱导致植被干燥，新泽西松地和长岛受锋面过境干燥影响，美国中部地区频发的破坏性对流下击暴流（图1），正将野火天气风险蔓延至历史上从未纳入规划的区域。

图1：2024年5月16日，一场阵风达每小时160公里的飑线横扫休斯顿都会区后，德克萨斯州99号公路附近受损的输电线路。这一量级的风力事件，如今正驱动着历史上不存在野火天气风险地区的电力公司制定野火应对决策。图片来源：Marie D. De Jesús / 休斯顿Landing

POWER杂志采访的三家服务提供商——Climavision、Meteomatics和Technosylva——在技术路径上各有侧重，但都指向同一个实践层面的判断：电力公司在野火和强对流天气决策中所需的分辨率、更新频率和预报时效，已远超公共产品的能力边界。而这一差距在公共安全断电（PSPS）和抢修队调度决策真正需要落地的提前两至三天窗口期内，影响尤为突出。

公共预报与先进预报之间的差距

理解公共预报与先进服务商产品之间差距的最直观方式，在于两个数字：空间分辨率与更新频率。美国国家海洋和大气管理局（NOAA）的高分辨率快速更新模型（HRRR）是大多数电力公司气象部门日常参考的短程主力产品，其网格间距约为3公里，每小时更新一次，但预报时效仅为18至48小时。

Climavision将其HI-RES物理模型——基于HRRR体系重新工程化的衍生版本——以2公里分辨率覆盖美国大陆，并可在用户服务区范围内以可选的670米网格嵌套运行，每六小时更新一次，预报时效延伸至完整的七天。Climavision创始人兼首席执行官Chris Goode将这一差异总结为："定制化物理参数、专有观测数据，以及公共或私有模型均无法提供的高分辨率嵌套网格。"针对变电站和关键线路节点的逐点预报，公司的Point Forecast Solution每15分钟更新一次，预报时效长达15天，融合了100余个底层模型的输出结果，并结合本地观测数据进行机器学习偏差校正。

Meteomatics采用了不同但异曲同工的技术路线。其US1k模型以1公里分辨率运行，每小时更新，数据来源超过110个，涵盖飞机、地面站、无人机、雷达和卫星。其中包括公司自主研发的Meteodrones气象无人机——这种无人机可飞至海拔6公里以上，对低层大气进行剖面采样，而传统探空气球每天仅飞行两次。Meteomatics高级客户经理兼气象学家Chris Hyde直言道：标准全球模型分辨率为20公里，领先的美国本土方案达到9公里，而"Meteomatics的US1k模型分辨率为1公里，且每小时更新"。

Technosylva专注于火行为建模，而非通用气象预报。该公司首席增长官Indran "Indy" Ratnathicam告诉POWER，公司以2公里分辨率运行自有的大陆尺度天气研究和预报（WRF）模型，专门针对火灾和极端天气条件进行优化。该气象模型为每小时更新一次的资产级火灾风险与危险预报提供输入，预报时效为五天。Ratnathicam表示，公司每天在用户区域内运行约90亿次模拟，训练数据积累超过20年。

决策窗口与预报时效的关键性

分辨率和更新频率之所以具有实际操作意义，正是因为一个特定的时间窗口。PSPS通常在提前两至三天发布。Goode表示："一旦危险野火天气出现在短期预报中，完成客户通知、互援力量集结和监管文件准备工作的窗口就已关闭。"

公共HRRR 18至48小时的预报上限落在这个窗口之内，而非之前。这正是先进服务商试图弥合的结构性差距。Meteomatics分享了其与NorthWestern Energy合作的一项量化案例：2025年10月31日至11月3日期间，平台在NorthWestern626个高风险天气区中的16个子区域触发了16次野火风险预警，平均提前时间为46小时。这将被动的停电应对转变为有计划的预防性操作，也将应急式的仓促行动转化为可记录、可解释的规范决策。

决策窗口价值的另一面，在于准确判断风险不会发生在公共预报所指向的区域。在Climavision应对2026年1月末Winter Storm Fern的案例中，公司HI-RES模型提前三天发布的预报将最严重的结冰区域定位在CenterPoint服务范围以北。Goode表示，这一精确判断使该公司得以将抢修队部署在局部可能受影响区域，而非向最终并未严重受灾的区域大规模调配——"结果比5月27日低调，但对成本管控和队伍保障的意义不可小觑。"

野火风险的地理扩张

三家服务商的共同主题是地理范围的扩展。Climavision和Meteomatics均强调，对野火感知预报的需求已远超加利福尼亚州和北落基山脉地区。Goode点名提到了卡罗来纳州和田纳西州因干旱而干燥的植被、新泽西松地和长岛的锋面过境干燥，以及美国中部将输电线路拉倒在干燥植被上的对流下击暴流。Hyde也同样提到，野火减缓工作的重点正向"新泽西、佐治亚和佛罗里达等州"扩展。

2024年飑线事件是这一扩张态势如何波及传统野火天气区域以外电力公司的最典型案例。Climavision表示，其HI-RES模型在2024年5月16日休斯顿飑线事件（最大阵风达每小时160公里）中，比公共模型提前8小时标记出强风威胁；在2024年7月15日伊利诺伊州北部飑线事件中，提前12小时解析出超过每小时128公里的强风威胁——这些事件造成输电中断长达数日，并将线路拉入五年前并未出现在野火风险地图上的干旱植被区域。

定制化预警阈值取代通用默认设置

另一个值得关注的技术趋势，是从服务商统一设定的默认预警阈值，转向电力公司自主掌控的分区专属阈值。CenterPoint的实施方案针对温度、持续风速与阵风、降水、强对流和结冰分别设置独立预警流，每类预警均与CenterPoint用于态势感知的13个运营区域相绑定。NorthWestern Energy的626个高风险天气区各自拥有独立阈值。Hyde表示："每个天气监测区的阈值均针对该区域进行定制，不存在统一或通用的阈值标准。"

复合条件预警已成为标准配置。Goode描述了多种火灾天气预警形式：将相对湿度下限与风速阈值组合，通常还附加前期干旱或温度条件作为触发门槛；将阵风与土壤湿度组合的饱和地面倒树预警；将强对流指数与同一预报时次降水量组合的强对流预警；以及将温度、降水类型和特定时间窗口内累计量组合的冬季预警。

Climavision和Meteomatics均强调，电力公司自有的观测网络现已反馈至模型中。Climavision将CenterPoint提供的150余个地面站数据同化进670米分辨率的休斯顿嵌套网格；Meteomatics将接入客户站点数据进行本地校准作为基础功能。这一区别意义重大，正如Goode所言，目标是将"他们已经信任的地面真实数据"转化为"更清晰、更精确的前向预报"，而不是让调度台在服务商产品与公司已有的地面传感器数据之间自行协调。

城市火灾蔓延：被忽视的建模盲区

还有一个标准野火模型完全未能涵盖的技术盲区，那就是火灾一旦蔓延至居民区后的行为特征。大多数野火蔓延建模依赖联邦LandFire数据集，该数据集将城市区域分类为"不可燃"。以LandFire为输入的标准模型显示，火灾在城市环境中几乎不会蔓延——而这与2023年毛伊岛拉海纳火灾、2025年1月洛杉矶帕利塞兹火灾，以及2021年科罗拉多州博尔德县马歇尔火灾（在路易斯维尔和苏必利尔摧毁约1000栋房屋）中实际发生的情况截然相反（图2）。

图2：2021年12月30日，马歇尔火灾的浓烟笼罩科罗拉多州博尔德县。这场由飓风级大风驱动的火灾，在数小时内摧毁了路易斯维尔和苏必利尔两地超过1000栋房屋。图片来源：Patrick Cullis

Ratnathicam表示，Technosylva专门为城市环境（包括建筑结构）构建了一套全新的综合燃料分类数据集，并基于数百起历史城市火灾案例重新设计了城市区域的蔓延速率计算方法。公司还引入了所谓的"动态建筑损失因子"，用于捕捉结构间的蔓延特征、预测结构性损失，并模拟火灾如何穿越街道等低可燃性间隔区域，以及单栋房屋在着火后如何参与并加速整体蔓延过程。

该模型融合了物理方法与经验方法，并在二十年训练数据的多情景模拟基础上叠加概率层。数据来源包括美国国家跨机构消防中心、美国林务局、卫星热成像、红外火场推进边界、低地球轨道和天基激光雷达（LIDAR）、气象站，以及多个私有数据集。

城市火灾蔓延模拟能力正在今年被整合进Technosylva面向电力公司的现有产品（图3）——既包括支持电网加固、植被管理和资本优先排序的规划级产品，也包括提供每小时、未来五天资产级火灾风险预报并与PSPS、增强输电线路安全设置（EPSS）及消防协调工作流相整合的运营级产品。Ratnathicam表示："这不是附加在现有模型上的独立模块，而是直接构建于其中。"

图3：Technosylva城市火灾蔓延模型在2024年加利福尼亚州南部Mountain Fire上的火前模拟结果叠加图，黄色线为实际火场边界，红色标记为受损建筑。图片来源：Technosylva

物理模型与AI模型：可解释性的监管价值

还有一个较为隐性、但对承担监管和法律责任的电力公司高管而言影响深远的议题，那就是物理驱动预报模型与AI原生预报模型之间的分野。来自大型科技公司的AI气象模型在过去两年取得了飞速进展，在基准测试中往往优于传统数值天气预报。但对电力公司而言，预报准确率并非唯一衡量标准。

Goode表示："市场上越来越多的气象产品是AI原生的——有用，且进步迅速，但从设计上就是不透明的。当运营人员需要向监管机构或法庭解释某一具体的停电、恢复时机或队伍调配决策时，'AI模型这么说的'是很难站得住脚的立场。"Climavision的HI-RES建立在物理驱动预报的基础上，机器学习只是作为辅助层叠加其上，用于优化特定模块，而非替代物理核心；公司将这些层描述为可审计的。

Hyde从另一个角度表达了相似观点："尽管AI在气象预报领域备受追捧，但这些模型仍需时间来证明其准确性。"他认为，对于48小时野火减缓预报时效而言，高分辨率物理建模目前才是操作层面进展最为显著的方向。

Technosylva的定位同样是明确的混合方案。Ratnathicam将公司的方法描述为"物理建模与经验建模的独特组合，在真实世界运作规律与实际观测结果之间寻求关键平衡。"

这一技术偏好背后，是三家服务商都隐约指向的监管现实。各州公用事业委员会、联邦能源监管委员会（FERC）以及集体诉讼原告，正越来越多地要求电力公司记录其掌握了哪些信息、何时掌握，以及为何采取相应行动。这使得预报本身成为电力公司可证明记录的一部分，与线路巡视记录和检查日志并列。正如Goode所言："气象情报不再只是运营层面的输入，它是事后提交的可辩护记录的组成部分。"Meteomatics也以类似方式定位其平台——一个让电力公司能够"精确记录阈值何时被触发、哪些预警被激活，以及这些条件如何构成行动依据"的系统。

当前局限与未来方向

当被问及先进预报目前仍存在哪些不足时，三家服务商给出了不同的答案，但方向上相互印证。Climavision指向的是置信度而非原始精度：Goode表示，电力公司并不缺少气象数据，缺的是"在接下来两至三天内，判断哪个相互矛盾的模型输出对其特定服务区更为可信的能力"。次网格尺度的地形驱动风行为——山脊、背风坡、海岸陡坡——在公共网格分辨率下仍然难以精确捕捉，而燃料状态和植被干燥度也不是任何标准气象模型的原生变量，迫使运营人员从独立数据源手动拼接。

Hyde将时效性视为核心差距——在提高预报更新频率的同时保持精度——并表示Meteomatics正在US1k模型中开发更精细的本地风场、地形效应和雷暴结构模拟能力。

Ratnathicam则表示，Technosylva目前的研发重点在于将预报时效从现有的五天进一步延伸，同时不牺牲精度。"去年8月，我们上线了世界上专用于火灾科学的最大超级计算机——这是一项重大的高性能计算投资，使我们实现了对美国全境的覆盖。"

先进预报的战略地位

无论电力公司最终选择哪家服务商——许多公司会同时使用多家——先进预报层在更广泛的电网现代化技术栈中的战略地位正日益清晰。正如Goode所概括的，先进预报"处于电网现代化的输入层"。数字孪生、动态线路增容、植被管理项目、分布式能源资源调度以及预测性停电模型，都以气象数据作为核心输入，而输入数据的精度与分辨率，决定了每一个下游决策的上限。

这些工程技术背后的利害关系并非抽象。Ratnathicam表示："野火正变得更加频繁，破坏力也更强。这些事件影响的是真实的人——他们的家园、生计和社区——而不只是屏幕上的数据点。"

对2026年而言，电力公司正在思考的现实问题，已不再是是否应该投资先进预报，而是如何将其深度整合进运营决策、监管申报和资本规划之中。2025年5月的休斯顿事件，展示了这套体系正常运转时的样子；而2024年的飑线事件，则揭示了它缺失时的代价。

本文作者Aaron Larson为POWER杂志执行编辑。

Q&A

Q1：亚千米气象模型和公共天气预报相比，优势体现在哪里？

A：公共天气预报（如NOAA的HRRR模型）分辨率约为3公里，预报时效仅18至48小时。而亚千米级先进模型可达1至2公里分辨率，部分区域可达670米，预报时效延伸至5至15天，更新频率也大幅提升。对电力公司而言，关键在于PSPS停电决策需要提前两至三天做出，公共模型的时效上限恰好落在这个窗口之内，无法提前支撑决策。

Q2：为什么电力公司在野火预报中更倾向于使用物理模型而非AI模型？

A：AI气象模型虽然进步迅速，但其运行逻辑不透明。当电力公司需要向监管机构或法庭解释停电或调度决策时，"AI模型这么说"难以构成有力依据。物理驱动模型的运算过程可审计、可追溯，能够形成完整的可辩护记录，符合监管合规要求。因此，可解释性与准确率同等重要。

Q3：现有的野火蔓延模型在城市火灾场景中存在哪些局限？

A：目前大多数野火蔓延模型使用的LandFire数据集将城市区域标注为"不可燃"，导致模型无法模拟火灾在建成区内的蔓延。然而2023年拉海纳火灾、2025年洛杉矶帕利塞兹火灾和2021年科罗拉多马歇尔火灾均证明，城市区域同样会发生大规模火灾蔓延。Technosylva已专门开发了针对城市环境的燃料分类数据集和动态建筑损失因子，以弥补这一模型盲区。