作为模具工程师，我们习惯用“公差”思维看待一切精度问题。天气预报的“不准”，本质上与模具试模时的偏差同理——初始条件、边界条件、计算模型的微小差异，都会在时间轴上被指数级放大。2020年8月31日那次降雨降温预报，时间误差达数小时，这在气象学上属于“混沌效应”的典型表现。我们做注塑模时，模流分析软件预测的填充时间与实际试模差0.2秒都算正常，何况大气系统这种超大规模非线性系统。
气象预报的核心难点在于初始场的不确定性。地面观测站间距通常几十公里，而雷暴尺度只有几公里，这就像用粗网格划分模具型腔，局部尖角处的温度场永远算不准。数值预报模式分辨率从25公里提升到9公里，计算量增加近8倍，但中小尺度天气系统依然无法完全解析。我们做精密模具时，要控制热胀冷缩的变形量，需要实时监测模温机数据，而气象观测的“探空仪”一天只放两次，相当于每12小时才测一次模温，中间全靠插值。
从工程补偿角度看，天气预报的“不准”可以通过概率预报来管理。欧洲中心集合预报用51个成员扰动初始场，得到降水概率分布，这就像模具设计时做多腔模的公差叠加分析。实际生产中，我们不会因为模流分析有偏差就放弃仿真，而是预留0.1mm的修模余量。同样，气象部门发布的“降雨概率70%”比“肯定下雨”更有工程价值——它告诉我们要准备雨具，但不必停止户外作业。2020年那次预报误差，若按概率理解，其实已经给出了合理的决策区间。
说到底，天气预报的“准”与“不准”是相对概念。模具行业从“试错修模”走向“CAE预判”，气象行业也从“经验预报”转向“集合预报+人工智能订正”。我们理解模温波动对缩水率的影响，就能理解大气环流调整对降雨落区的影响。未来随着观测密度提升（如手机气压计众包数据）和机器学习后处理，预报精度会像我们优化浇口位置一样，逐步逼近物理极限。但在此之前，把“不准”当作系统噪声来管理，才是工程师该有的务实态度。