数据破坏：气候攻击面进入雷达

简单来说

气象数据——地面传感器、气球探测、雷达、卫星——如今不仅仅用于电视天气预报。能源交易、航线规划、电网、精准农业，以及越来越多的AI预测模型（GraphCast、Pangu-Weather、WITT城市侧，#1044）。MIT Technology Review于2026年7月17日记录了这一物理和软件链条的破坏风险的上升。

背景

气象观测基础设施是一个公私合营的拼凑体，已有数十年历史。地面站防护薄弱，通常没有强身份验证流程，而交换协议（WMO信息系统、GTS）假设隐式信任。然而，这些数据现在也被用于：监管机构（电网）、交易商（现货能源、农业）、保险公司（参数化保险）以及基于开放历史数据训练的AI模型。

变化之处

风险不再是“气象站故障”，而是选择性注入：几个偏差的传感器可能导致暴雨预测偏移、电网信号偏移或参数化保险触发。在AI时代，这一风险更加严重——基于受污染数据训练的模型会将错误传播到远超传感器的范围。

当前现状

• 物理层面：孤立的传感器，没有远程监控，本地入侵即可。
• 链条：机构间数据流量缺乏或完全没有加密签名。
• AI：AI“即时预测”层消耗与数值模型相同的原始数据，输入端没有系统性异常检测。

情景

• 最可能：孤立事件，难以与传感器故障区分。真正的挑战在于事后恢复信任。
• 最严重：围绕极端事件（飓风、停电）的多站点协调破坏——足够的偏移可扭曲运营决策。
• 对高级攻击者最有用：数据供应链攻击——污染气象AI模型的训练历史数据。

防护措施

数据流量签名、交叉冗余（卫星/地面/私营）、气象运营商端异常检测、对供应关键系统的AI模型审计义务。以上措施均未在全球范围内实施。

结论

气象破坏是一个有用的提醒：AI数据供应链始于数据集之前。触及探头，即触及所有依赖它的事物。应将其纳入数据供应链风险映射——与数据集丑闻和模型后门同等重要。