天气预报已经变得更加准确

对预报准确性的总体感受

• 许多评论者认为，与几十年前相比，长程预报（3–14 天）已经有所改进，原因是风暴追踪和温度趋势的预测更好了。
• 也有人反映，某些地区（如波士顿、湾区、南加州）的预报变得更差或不可靠，尤其是在降雨强度、风向或沿海/山区微气候方面。
• 还有人指出，1–2 天的预报通常是靠谱的，但按小时甚至按分钟的预测感觉很差。

超本地降雨与“临近预报”

• 许多曾使用 Dark Sky 的用户高度评价它对降雨的分钟级提醒；不少人觉得 Apple 的整合反而降低了准确性。
• 关于应用显示“没有下雨”但实际上正在下雨（或相反）的抱怨非常常见；有人解释这是因为空间网格过粗、模型输出过时、雷达盲区以及局地强对流等因素。
• 一些地区（如荷兰、欧洲部分地区）在短期决策中——例如骑行——非常依赖实时降雨雷达，而不是文字预报。

模型、AI 与技术方面

• 讨论涉及基于物理的数值天气预报，与较新的 AI 模型（GraphCast、Pangu、ECMWF 的 AIFS）之间的比较。
• 线程内的共识是：AI 模型大致与最先进的传统模型相当，或者略好一些，但对终端用户来说并没有带来戏剧性的飞跃。
• “X 分钟后下雨”这类短时产品通常使用雷达加上简单的光流分析，而不是深层物理模型。
• 网格分辨率和地形复杂性（山地、城市热岛）限制了局部准确性。

气候变化与模型可靠性

• 有些人怀疑气候变化会通过增加天气波动性或使历史数据失效而让预报变差。
• 也有人反驳说，核心的基于物理的模型仍然有效；气候变化主要影响统计后处理和偏差修正，而不是基础预报能力。

人类感知、概率与媒体

• 评论者强调了确认偏误：人们会记住失误，而不是大量安静的命中。
• 对“降雨概率”的误解会让人把优秀的概率预报当作“错了”。
• 面向消费者的服务商可能会为了吸引点击和迎合用户期待而夸大降雨概率或渲染风暴。

工具、策略与公平性

• 许多人建议直接使用原始或政府来源（例如逐小时图表、雷达、预报讨论），而不是简化版应用。
• 本地的专业气象学家因能结合具体情境解读模型而受到重视。
• 文章提到较贫穷国家要为更差的预报支付更高成本（按 GDP 占比）这一点，也被呼应为一个严重的公平性问题。