Science重磅1分钟内生成10气候象预告

在景象预报方面，人工智能（AI）颠覆了传统方法，有望以更快的速率和更低的本钱实现更准确的预测。

Google DeepMind 推出的一款基于机器学习的景象预测模型——GraphCast，在环球 0.25° 的分辨率下，在一分钟内预测未来 10 天的数百个景象变量，显著优于传统气候预报方法。
此外，该模型在预测极度事宜方面同样表现良好。

干系研究论文以“Learning skillful medium-range global weather forecasting”为题，已揭橥在威信科学期刊 Science 上。
其余，干系开源代码也已发布在 Github 上。

这一研究成果表明，未来的景象预报（如日常景象和飓风、酷暑和寒冷等极度事宜）可能会变得更加准确。

9 月份发生在北大泰西的飓风“Lee”便是一个成功预测的例子。
论文共同一作、共同通讯作者 Rémi Lam 表示，“GraphCast 能够在飓风发生前 9 天精确预测‘Lee’将在新斯科舍省上岸，而传统方法只能预测 6 天。
这让人们多了 3 天韶光为它的到来做好准备。
”

对此，欧洲中期景象预报中央（ECMWF）机器学习折衷员 Matthew Chantry 表示，AI 系统在气候学方面的进展“乃至比我们两年前的预期还要快得多，也更令人印象深刻”。

“GraphCast 一贯比其他机器学习模型（如英伟达的 FourCastNet）表现得更好，而且在很多方面，它比我们自己的预测系统更准确。
”

1 分钟内预测未来 10 天的景象

景象对人类具有广泛而深远的影响，涉及到生活、康健、经济等多个方面。

常日，景象预测依赖于数值景象预报（NWP），该方法从精确定义的物理方程出发，然后转化成在超级打算机上运行的打算机算法。
只管这一传统方法在科学和工程领域取得了成功，但设计方程和算法十分耗时，而且做出准确的预测须要深厚的专业知识和昂贵的打算资源。

据论文描述，GraphCast 是一种基于机器学习和图神经网络 (GNN) 的景象预报系统，就能耗而言，它可能要比传统方法便宜 1000 倍。

GraphCast 以 0.25 度经度/纬度（赤道处 28 公里 x 28 公里）的高分辨率进行预测，超过一百万个网格点覆盖了全体地球表面。
在每个网格点，该模型预测 5 个地球表面变量（包括温度、风速和风向以及均匀海平面压力）以及 37 个海拔高度的每个高度的 6 个大气变量（包括比湿度、风速和风向以及温度）。

虽然 GraphCast 的演习打算量很大，但天生的预测模型非常高效。
在一台谷歌 TPU v4 机器上利用 GraphCast 进行 10 天预测只须要不到一分钟韶光。
比较之下，利用传统方法（例如 HRES）进行 10 天的预测可能须要在超级打算机中进行数小时的打算。

为了评估 GraphCast 的预测技能，研究职员将 GraphCast 与目前最准确的中程景象预测模型 HRES 进行比较，结果创造，在 1380 个验证目标中，GraphCast 在 90% 的情形下明显优于 HRES。

此外，该模型更善于预测极度事宜，如热带气旋路径、大气河流（卖力极向水汽运送的大气狭窄区域）和极度温度非常。

其余，除了景象预测，GraphCast 还可以开辟其他地理时空预测新方向，包括景象和生态学、能源、农业、人类和生物活动，以及其他繁芜的动力系统。

此前，一些研究职员对 AI 准确预报极度景象的能力表示了担忧，部分缘故原由是过去可借鉴的此类事宜相对较少。
然而，GraphCast 在 2-4 天的准备韶光内将气旋预报轨道偏差减少了约 10-15 英里，将与大气河流干系的水蒸气预报提高了 10%-25%，并提前 5-10 天供应了更精确的酷热和寒冷预报。

“一样平常认为，利用 AI 可能无法很好地预测罕见的非常情形。
但它彷佛在这方面做得很好，”Google DeepMind 研究总监、该研究的共同作者之一 Peter Battaglia 表示，“这也解释该模型捕捉到了景象如何随韶光演化的更基本的东西，而不仅仅是在数据中探求更肤浅的模式。
”

但这并不虞味着 AI 已经可以取代所有传统预报方法。
在将 GraphCast 等 AI 模型可靠地用于业务预报之前，还须要战胜其他寻衅。

例如，该方法存在一个主要限定在于如何处理不愿定性。
研究的关注点紧张集中在确定性预测上。
GraphCast 的均方偏差（MSE）演习目标鼓励在存在不愿定性的情形下在空间上模糊其预测，然而在某些运用中，特殊是在理解事宜尾部或联合概率的情境下，可能并不理想。

而且，由于演习数据和工程设计方面的限定，环球 AI 模型还不能像传统模型那样天生那么多参数或那么风雅的预测。
这使得 AI 模型在预测雷暴和山洪暴发等较小范围的征象，或在预测可能在小范围内产生巨大降水量差异的较大景象系统时，浸染不大。

此外，气候学家也还不是特殊信赖 AI 模型，由于这些模型的内部运作不如传统模型透明。
科罗拉多州立大学大气研究互助研究所数据可视化研究员 Jacob Radford 在一封电子邮件中说：“预报员的一个关键角色是向互助伙伴阐明和传达信息，由于缺少工具来确定 AI 模型为什么会做出这样的预测，这项任务变得更具寻衅性。
这些模型仍处于起步阶段，在考虑投入利用之前，仍须要在研究和预报员群体中建立信赖。
”

只管该研究存在很多局限性，但研究职员笃信，这标志着景象预测迎来了一个主要的迁移转变点，为人类开辟了一条全新的道路。

而且，他们表示，这一方法也不应该被视为传统景象预报方法的替代品，传统景象预报方法已经发展了几十年，在许多现实环境中经由了严格的测试，并供应了许多人类尚未探索的功能。

“相反，我们的事情该当被阐明为 AI 景象预报能够应对现实天下预报问题寻衅的证据，并且有潜力补充和改进当前的最佳方法。
”

AI 气候预报的一些进展

在过去两年中，包括谷歌、微软和英伟达在内的大型科技公司在 AI 景象建模方面取得了诸多进展，这些公司都揭橥了学术论文，称其 AI 模型的性能至少与欧洲模型相称。
这些说法得到了 ECMWF 科学家的证明。

今年 7 月，同时刊登在 Nature 上的两篇关于“AI 气候预报”的研究论文，也提到了两种基于 AI 的气候预报方法。

由华为云开拓的盘古气候（Pangu-Weather）模型利用 39 年的环球再剖析景象数据作为演习数据，其预测准确率与环球最好的数值景象预报系统 IFS 相称，在相同的空间分辨率下比 IFS 系统快 10000 倍以上。

此外，由机器学习领域泰斗、加州大学伯克利分校教授 Michael Jordan 和清华大学教授王建民领导的联合研究团队提出的模型 NowcastNet，可以结合物理规律和深度学习，进行实时预报降水。

上个月，英国气候局（Met Office）宣告与人工智能研究中央艾伦·图灵研究所（Alan Turing Institute）互助，开拓自己的景象预报图神经网络，并将其纳入现有的超级打算机根本举动步伐。

英国气候局科学主任 Simon Vosper 谈道，须要在预报中考虑景象变革成分。
“如果基于 AI 的系统只是在以前的景象条件下接管‘演习’，那么质疑这些系统是否能够捕捉到新的极度景象是很有说服力的。
”

Vosper 还表示：“我们的目标是，在利用基于大气物理学的传统打算机模型的同时，充分利用 AI 所能供应的最佳功能。
我们相信，这种技能领悟将在这个巨变的时期供应最强大、最详细的景象预报。
”

可以预见的是，在景象预报中利用 AI 将使人们的日常生活受益，但 AI 也绝不会止步于此。

正如 Google DeepMind 在博客中提到的：“我们的研究不仅仅是预测景象，而是理解更广泛的景象模式。
通过开拓新工具和加速研究，我们希望 AI 能够帮助国际社会应对我们面临的最大环境寻衅。
”

参考链接：

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/