1分鐘內(nèi)生成10天氣象預報，AI擊敗全球最好預報系統(tǒng)

在天氣預報方面，人工智能（AI）顛覆了傳統(tǒng)方法，有望以更快的速度和更低的成本實現(xiàn)更準確的預測。

Google DeepMind 推出的一款基于機器學習的天氣預測模型——GraphCast，在全球 0.25° 的分辨率下，在一分鐘內(nèi)預測未來 10 天的數(shù)百個天氣變量，顯著優(yōu)于傳統(tǒng)氣象預報方法。此外，該模型在預測極端事件方面同樣表現(xiàn)良好。

相關研究論文以“Learning skillful medium-range global weather forecasting”為題，已發(fā)表在權威科學期刊 Science 上。另外，相關開源代碼也已發(fā)布在 Github 上。

這一研究成果表明，未來的天氣預報（如日常天氣和颶風、酷暑和嚴寒等極端事件）可能會變得更加準確。

9 月份發(fā)生在北大西洋的颶風“Lee”便是一個成功預測的例子。論文共同一作、共同通訊作者 Rémi Lam 表示，“GraphCast 能夠在颶風發(fā)生前 9 天正確預測‘Lee’將在新斯科舍省登陸，而傳統(tǒng)方法只能預測 6 天。這讓人們多了 3 天時間為它的到來做好準備?！?/p>

對此，歐洲中期天氣預報中心（ECMWF）機器學習協(xié)調(diào)員 Matthew Chantry 表示，AI 系統(tǒng)在氣象學方面的進展“甚至比我們兩年前的預期還要快得多，也更令人印象深刻”。

“GraphCast 一直比其他機器學習模型（如英偉達的 FourCastNet）表現(xiàn)得更好，而且在很多方面，它比我們自己的預測系統(tǒng)更準確。”

1 分鐘內(nèi)預測未來 10 天的天氣

天氣對人類具有廣泛而深遠的影響，涉及到生活、健康、經(jīng)濟等多個方面。

天氣預報是科學領域中最古老且充滿挑戰(zhàn)的工作之一。中期預測在支持涉及可再生能源到活動物流等跨部門的關鍵決策方面起著至關重要的作用，然而要做到準確有效卻非常困難。

通常，天氣預測依賴于數(shù)值天氣預報（NWP），該方法從精確定義的物理方程出發(fā)，然后轉(zhuǎn)化成在超級計算機上運行的計算機算法。盡管這一傳統(tǒng)方法在科學和工程領域取得了成功，但設計方程和算法十分耗時，而且做出準確的預測需要深厚的專業(yè)知識和昂貴的計算資源。

據(jù)論文描述，GraphCast 是一種基于機器學習和圖神經(jīng)網(wǎng)絡 (GNN) 的天氣預報系統(tǒng)，就能耗而言，它可能要比傳統(tǒng)方法便宜 1000 倍。

GraphCast 以 0.25 度經(jīng)度/緯度（赤道處 28 公里 x 28 公里）的高分辨率進行預測，超過一百萬個網(wǎng)格點覆蓋了整個地球表面。在每個網(wǎng)格點，該模型預測 5 個地球表面變量（包括溫度、風速和風向以及平均海平面壓力）以及 37 個海拔高度的每個高度的 6 個大氣變量（包括比濕度、風速和風向以及溫度）。

雖然 GraphCast 的訓練計算量很大，但生成的預測模型非常高效。在一臺谷歌 TPU v4 機器上使用 GraphCast 進行 10 天預測只需要不到一分鐘時間。相比之下，使用傳統(tǒng)方法（例如 HRES）進行 10 天的預測可能需要在超級計算機中進行數(shù)小時的計算。

為了評估 GraphCast 的預測技能，研究人員將 GraphCast 與目前最準確的中程天氣預測模型 HRES 進行比較，結(jié)果發(fā)現(xiàn)，在 1380 個驗證目標中，GraphCast 在 90% 的情況下明顯優(yōu)于 HRES。

此外，該模型更擅長預測極端事件，如熱帶氣旋路徑、大氣河流（負責極向水汽輸送的大氣狹窄區(qū)域）和極端溫度異常。

另外，除了天氣預測，GraphCast 還可以開辟其他地理時空預測新方向，包括氣候和生態(tài)學、能源、農(nóng)業(yè)、人類和生物活動，以及其他復雜的動力系統(tǒng)。

此前，一些研究人員對 AI 準確預報極端天氣的能力表示了擔憂，部分原因是過去可借鑒的此類事件相對較少。然而，GraphCast 在 2-4 天的準備時間內(nèi)將氣旋預報軌道誤差減少了約 10-15 英里，將與大氣河流相關的水蒸氣預報提高了 10%-25%，并提前 5-10 天提供了更精確的酷熱和嚴寒預報。

“一般認為，使用 AI 可能無法很好地預測罕見的異常情況。但它似乎在這方面做得很好，”Google DeepMind 研究總監(jiān)、該研究的共同作者之一 Peter Battaglia 表示，“這也說明該模型捕捉到了天氣如何隨時間演變的更基本的東西，而不僅僅是在數(shù)據(jù)中尋找更膚淺的模式。”

但這并不意味著 AI 已經(jīng)可以取代所有傳統(tǒng)預報方法。在將 GraphCast 等 AI 模型可靠地用于業(yè)務預報之前，還需要克服其他挑戰(zhàn)。

例如，該方法存在一個重要限制在于如何處理不確定性。研究的關注點主要集中在確定性預測上。

GraphCast 的均方誤差（MSE）訓練目標鼓勵在存在不確定性的情況下在空間上模糊其預測，然而在某些應用中，特別是在了解事件尾部或聯(lián)合概率的情境下，可能并不理想。

而且，由于訓練數(shù)據(jù)和工程設計方面的限制，全球 AI 模型還不能像傳統(tǒng)模型那樣生成那么多參數(shù)或那么精細的預測。這使得 AI 模型在預測雷暴和山洪暴發(fā)等較小范圍的現(xiàn)象，或在預測可能在小范圍內(nèi)產(chǎn)生巨大降水量差異的較大天氣系統(tǒng)時，作用不大。

此外，氣象學家也還不是特別信任 AI 模型，因為這些模型的內(nèi)部運作不如傳統(tǒng)模型透明?？屏_拉多州立大學大氣研究合作研究所數(shù)據(jù)可視化研究員 Jacob Radford 在一封電子郵件中說：“預報員的一個關鍵角色是向合作伙伴解釋和傳達信息，由于缺乏工具來確定 AI 模型為什么會做出這樣的預測，這項任務變得更具挑戰(zhàn)性。這些模型仍處于起步階段，在考慮投入使用之前，仍需要在研究和預報員群體中建立信任。”

盡管該研究存在很多局限性，但研究人員深信，這標志著天氣預測迎來了一個重要的轉(zhuǎn)折點，為人類開辟了一條全新的道路。

而且，他們表示，這一方法也不應該被視為傳統(tǒng)天氣預報方法的替代品，傳統(tǒng)天氣預報方法已經(jīng)發(fā)展了幾十年，在許多現(xiàn)實環(huán)境中經(jīng)過了嚴格的測試，并提供了許多人類尚未探索的功能。

“相反，我們的工作應該被解釋為 AI 天氣預報能夠應對現(xiàn)實世界預報問題挑戰(zhàn)的證據(jù)，并且有潛力補充和改進當前的最佳方法?！?/p>

AI 氣象預報的一些進展

在過去兩年中，包括谷歌、微軟和英偉達在內(nèi)的大型科技公司在 AI 天氣建模方面取得了諸多進展，這些公司都發(fā)表了學術論文，稱其 AI 模型的性能至少與歐洲模型相當。這些說法得到了 ECMWF 科學家的證實。

今年 7 月，同時刊登在 Nature 上的兩篇關于“AI 氣象預報”的研究論文，也提到了兩種基于 AI 的氣象預報方法。

由華為云開發(fā)的盤古氣象（Pangu-Weather）模型使用 39 年的全球再分析天氣數(shù)據(jù)作為訓練數(shù)據(jù)，其預測準確率與全球最好的數(shù)值天氣預報系統(tǒng) IFS 相當，在相同的空間分辨率下比 IFS 系統(tǒng)快 10000 倍以上。

此外，由機器學習領域泰斗、加州大學伯克利分校教授 Michael Jordan 和清華大學教授王建民領導的聯(lián)合研究團隊提出的模型 NowcastNet，可以結(jié)合物理規(guī)律和深度學習，進行實時預報降水。

上個月，英國氣象局（Met Office）宣布與人工智能研究中心艾倫·圖靈研究所（Alan Turing Institute）合作，開發(fā)自己的天氣預報圖神經(jīng)網(wǎng)絡，并將其納入現(xiàn)有的超級計算機基礎設施。

英國氣象局科學主任 Simon Vosper 談道，需要在預報中考慮氣候變化因素。“如果基于 AI 的系統(tǒng)只是在以前的天氣條件下接受‘訓練’，那么質(zhì)疑這些系統(tǒng)是否能夠捕捉到新的極端天氣是很有說服力的?！?/p>

Vosper 還表示：“我們的目標是，在利用基于大氣物理學的傳統(tǒng)計算機模型的同時，充分利用 AI 所能提供的最佳功能。我們相信，這種技術融合將在這個巨變的時代提供最強大、最詳細的天氣預報?！?/p>

可以預見的是，在天氣預報中使用 AI 將使人們的日常生活受益，但 AI 也絕不會止步于此。

正如 Google DeepMind 在博客中提到的：“我們的研究不僅僅是預測天氣，而是了解更廣泛的氣候模式。通過開發(fā)新工具和加速研究，我們希望 AI 能夠幫助國際社會應對我們面臨的最大環(huán)境挑戰(zhàn)。”

參考鏈接：

https://www.science.org/doi/10.1126/science.adi2336

https://github.com/google-deepmind/graphcast

https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/

https://www.ft.com/content/ca5d655f-d684-4dec-8daa-1c58b0674be1

https://www.washingtonpost.com/weather/2023/11/14/weather-forecasting-artificial-intelligence-google/

作者：閆一米 編輯：學術君