機(jī)器學(xué)習(xí)VS數(shù)值天氣預(yù)報，AI如何顛覆天氣預(yù)報模式？

數(shù)值天氣預(yù)報是天氣預(yù)報的主流方法。它通過數(shù)值積分，對地球系統(tǒng)的狀態(tài)進(jìn)行逐網(wǎng)格的求解，是一個演繹推理的過程。

然而，隨著天氣預(yù)報分辨率不斷升高，預(yù)報時間逐漸延長，NWP 模式所需要的算力迅速增加，限制了其發(fā)展。另一方面，以人工智能為基礎(chǔ)的數(shù)據(jù)驅(qū)動天氣預(yù)報快速發(fā)展，在部分領(lǐng)域已經(jīng)超越了傳統(tǒng)方法。

現(xiàn)有的機(jī)器學(xué)習(xí)天氣預(yù)報精度如何？人工智能又將如何改變天氣預(yù)報？本文對比了幾大數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)天氣預(yù)報模型后，對天氣預(yù)報的未來發(fā)展作出了展望。

作者 | 雪菜

編輯 | 三羊

數(shù)值天氣預(yù)報：450 億偏微分方程組

數(shù)值天氣預(yù)報 (NWP, Numerial Weather Prediction) 是天氣預(yù)報領(lǐng)域的主流方法。早在 20 世紀(jì)初，Abbe 和 Bjerknes 就提出人們可以使用物理定律預(yù)測天氣，以當(dāng)前的天氣狀況為初值，進(jìn)行積分便可以求解未來的天氣。但彼時對氣象學(xué)的研究還不夠深入，計(jì)算水平也相對落后，這一設(shè)想未能實(shí)現(xiàn)。

1950 年，普森林頓大學(xué)首次嘗試使用第一臺電子計(jì)算機(jī)進(jìn)行了天氣后報。1954 年，在斯德哥爾摩首次實(shí)現(xiàn)了實(shí)時的天氣預(yù)報。

在每個網(wǎng)格單元中求解基于物理定律的微分方程組

直到 20 世紀(jì) 70 年代，超級計(jì)算機(jī)問世，人們方能求解 Abbe 和 Bjerknes 提出的整套方程。1979 年，歐洲中期天氣預(yù)報中心 (ECMWF) 編制了首份中期天氣預(yù)報，開啟了綜合預(yù)報系統(tǒng) (IFS, Integrated Forecasting System) 的篇章。

然而，Edward N.Lorenz 總結(jié)前人的經(jīng)驗(yàn)，提出天氣系統(tǒng)是一個混沌系統(tǒng)，會因變量的細(xì)微變化而發(fā)生巨大的改變。另一方面，人們對于氣象系統(tǒng)的初始狀態(tài)也很難完全掌握。為此，學(xué)界使用集合預(yù)報 (Ensemble Forecasting) 以最大限度降低初始參數(shù)和預(yù)測模型的不確定性，預(yù)測結(jié)果的集合即為概率預(yù)報的基礎(chǔ)。

降水概率的集合預(yù)報示意圖

隨著數(shù)值模型、超級計(jì)算、數(shù)據(jù)同化和集合預(yù)測等技術(shù)的發(fā)展，數(shù)值天氣預(yù)報的精度不斷提高，預(yù)測時間也由 3 天、5 天逐漸提升至 7 天甚至 10 天。

南、北半球 (SH, NH) 的天氣預(yù)報技術(shù)隨時間的演進(jìn)

目前，歐洲中期天氣預(yù)報中心的預(yù)報模式需要對每一水平層的 200 萬個網(wǎng)格，以 10 分鐘的步長進(jìn)行 10 天的預(yù)報，每天運(yùn)行 2 次。因此，他們需要在 2.5 小時內(nèi)，完成約 400 億個網(wǎng)格的運(yùn)算，需要很高的計(jì)算成本。

高昂的計(jì)算費(fèi)用阻礙了數(shù)值天氣預(yù)報方法的進(jìn)一步發(fā)展。如何在模型分辨率和集合規(guī)模之間找到平衡，成了限制集合預(yù)報的桎梏。

數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法崛起

近期，數(shù)據(jù)驅(qū)動 (Data-Driven) 的機(jī)器學(xué)習(xí) (ML, Machine Learning) 在天氣預(yù)報中展現(xiàn)出了巨大的潛力。2022 年以來，天氣預(yù)報領(lǐng)域的機(jī)器學(xué)習(xí)模型取得了一系列突破，部分成果可以與歐洲中期天氣預(yù)報中心的高精度預(yù)測匹敵。數(shù)據(jù)驅(qū)動的天氣預(yù)報推理依賴于機(jī)器學(xué)習(xí)模型，而非綜合預(yù)報系統(tǒng) (IFS) 中的物理模型，其預(yù)測速度較傳統(tǒng)方法提升了幾個數(shù)量級。此外，基于機(jī)器學(xué)習(xí)的天氣預(yù)報是歸納推理的結(jié)果，而非傳統(tǒng)的演繹推理。這種邏輯學(xué)的范式轉(zhuǎn)變改變了天氣預(yù)報的解釋方式——這些結(jié)果是從以前的數(shù)據(jù)中學(xué)習(xí)而來的，因此更具說服力。

數(shù)據(jù)集：1940 年至今 0.25° 的再分析數(shù)據(jù)

數(shù)據(jù)驅(qū)動模型的出現(xiàn)歸功于大規(guī)模、高質(zhì)量的氣象學(xué)開放數(shù)據(jù)集。現(xiàn)有的機(jī)器學(xué)習(xí)天氣預(yù)報模型，訓(xùn)練于歐洲中期天氣預(yù)報中心的第五代再分析數(shù)據(jù)，ERA5 再分析數(shù)據(jù)集。2016 年現(xiàn)版本綜合預(yù)報系統(tǒng) (IFS) 問世時，對 1940 年至今的天氣數(shù)據(jù)進(jìn)行了再分析，得到了分辨率 0.25° (30 km) 的 ERA5 數(shù)據(jù)集。

FourCastNet：與 IFS 精度相當(dāng)?shù)?DL 模型

2022 年，NVIDIA 發(fā)布了 FourCastNet，基于傅立葉預(yù)測神經(jīng)網(wǎng)絡(luò)，首次進(jìn)行了分辨率為 0.25° 的深度學(xué)習(xí)天氣預(yù)報。

FourCastNet 架構(gòu)示意圖

在提升分辨率的同時，F(xiàn)ourCastNet 在異常相關(guān)系數(shù) (ACC, Anomaly Correlation Coefficient) 和均方根誤差 (RMSE, Root Mean Squared Error) 方面也沒有落后傳統(tǒng)的數(shù)值天氣預(yù)報太多。

FourCastNet 與數(shù)值天氣預(yù)報的 ACC 和 RMSE 對比

以節(jié)點(diǎn)小時 (Node-Hour) 為單位，F(xiàn)ourCastNet 的速度大約是傳統(tǒng)數(shù)值天氣預(yù)報模型的 45,000 倍，加上其在高分辨率下的準(zhǔn)確性，使得超大規(guī)模的集合預(yù)報成本迅速降低。

GraphCast：基于 GNN 全球中期氣象預(yù)報

GraphCast 是一種基于圖神經(jīng)網(wǎng)絡(luò) (GNN) 的神經(jīng)網(wǎng)絡(luò)，采用「編碼-處理-解碼」配置，共有 3,670 萬個參數(shù)。

編碼器通過單層 GNN 將輸入網(wǎng)格中的變量映射到內(nèi)部的多網(wǎng)格中。

多網(wǎng)格是一個空間均質(zhì)的圖，有著全球范圍的高分辨率。多網(wǎng)格通過 6 次迭代正二十面體（包含 12 個節(jié)點(diǎn)，20 個面和 30 條邊）形成，每次迭代會對網(wǎng)格進(jìn)行精細(xì)化，將單個三角形劃分為 4 個較小的三角形，并將其節(jié)點(diǎn)投影至球體上。最終多網(wǎng)格包含 40,962 個節(jié)點(diǎn)，及精細(xì)過程中所有圖形的邊，形成了包含不同長度的邊的層級圖。

處理器使用 16 個非共享的 GNN 層，在多網(wǎng)格上進(jìn)行消息傳遞。解碼器使用單層 GNN， 將處理器的學(xué)習(xí)特征從多網(wǎng)格映射回到經(jīng)緯度系統(tǒng)中。

GraphCast 的框架

a-c：GraphCast 的輸入-預(yù)測-迭代過程；

d-f：GraphCast 的編碼-處理-解碼配置；

g：多網(wǎng)格的精細(xì)化過程。

對比歐洲中期天氣預(yù)報的高分辨率預(yù)報 (HRES)，GraphCast 在 ACC 和 RMSE 上均更勝一籌。

GraphCast 和 HRES 的預(yù)測 RMSE (a&b) 和 ACC (c) 對比

在 32 臺 Cloud TPU v4 設(shè)備上訓(xùn)練 3 周后，GraphCast 對 1979 年以來的 ERA5 數(shù)據(jù)進(jìn)行了學(xué)習(xí)。隨后， GraphCast 可以在 60 秒內(nèi)在單臺 Cloud TPU v4 設(shè)備上，生成分辨率 0.25° 間隔 6 小時的 10 日天氣預(yù)報。

盤古：基于 ViT 的三維氣象大模型

盤古氣象大模型的輸入輸出均為三維的氣象場。由于氣象場的經(jīng)緯度分布不均勻，盤古氣象大模型使用了三維的 Vision Transformer (ViT) 對氣象數(shù)據(jù)進(jìn)行處理，精度首次超過了主流的綜合預(yù)報系統(tǒng) (IFS)。

三維 Vision Transformer 架構(gòu)

當(dāng)預(yù)測時間長于 3 天時，從 RMSE 來看，盤古氣象大模型和 IFS 的性能相當(dāng)，均優(yōu)于訓(xùn)練集 ERA5。

不同模型的對 T850 和 Z500 的預(yù)測性能對比

a&b：分別為不同模型預(yù)測 T850 和 Z500 時的 RMSE；

c&d：分別為不同模型預(yù)測 T850 和 Z500 時的活動強(qiáng)度；

e&f：分別為不同模型預(yù)測 T850 和 Z500 時的偏差。

綜上所述，數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)天氣預(yù)報，在預(yù)測精度上與傳統(tǒng)的數(shù)值天氣預(yù)報模式接近，然而運(yùn)算設(shè)備和運(yùn)算速度遠(yuǎn)超數(shù)值天氣預(yù)報模型，說明 AI 天氣預(yù)報在實(shí)際應(yīng)用中有相當(dāng)?shù)臐摿Α?/p>

機(jī)器學(xué)習(xí)和數(shù)值預(yù)報 = 精度 + 速度

在天氣預(yù)報的內(nèi)部和外部，機(jī)器學(xué)習(xí)都在以驚人的速度不斷發(fā)展。歐洲中期天氣預(yù)報中心一直在關(guān)注數(shù)據(jù)驅(qū)動天氣預(yù)報的快速崛起，包括 NVIDIA、華為和 Deepmind。

「FourCastNet 是第一個基于 AI 的分辨率達(dá)到 0.25° 的天氣預(yù)報系統(tǒng)，也是第一個開源的天氣預(yù)報系統(tǒng)。我們的新版本顯著提高了模型的中期性能和長期穩(wěn)定性，并希望通過神經(jīng)算子框架，實(shí)現(xiàn)超分辨率?！筃VIDIA Earth-2 團(tuán)隊(duì)的 Anima Anandkumar 說道。

歐洲中期天氣預(yù)報中心將這些機(jī)器學(xué)習(xí)模型，和穩(wěn)定的數(shù)值模型一起呈現(xiàn)給了用戶，邀請他們從應(yīng)用側(cè)對系統(tǒng)的操作和性能進(jìn)行評估。模型的準(zhǔn)確性、可靠性、不確定性和交互性是評估氣象產(chǎn)品質(zhì)量和有效性的關(guān)鍵因素。

為此，歐洲中期天氣預(yù)報中心公開了 FourCastNet、PGW 和 GraphCast 基于 IFS 初始條件的預(yù)測結(jié)果。Florian Pappenberger 表示，「開放是創(chuàng)新、合作和探索的關(guān)鍵。通過共享數(shù)據(jù)、方法和結(jié)果，進(jìn)行對比和分析，就能夠加速科學(xué)發(fā)展，最終造福社會。」

三個氣象 AI 的公開數(shù)據(jù)

在歐洲中期天氣預(yù)報中心的對比中，可以看到基于 AI 的天氣預(yù)測，在部分性能上已經(jīng)可以與數(shù)值天氣預(yù)報媲美，將在未來發(fā)揮著重要作用。然而，這些模型尚沒有綜合預(yù)測能力，這是中長期尺度上提供有價值預(yù)測的關(guān)鍵。

開放獲取、對比優(yōu)化、便攜易得，AI 正將自己的優(yōu)勢滲透進(jìn)入傳統(tǒng)的天氣預(yù)報當(dāng)中。在將天氣預(yù)報從超級計(jì)算機(jī)解放出來的同時，AI 在極端氣候事件上也有著不俗的表現(xiàn)。相信 AI 能夠同數(shù)值天氣預(yù)報一起，革新天氣的預(yù)報方式，為農(nóng)林牧漁、航海航天事業(yè)的發(fā)展貢獻(xiàn)出自己的力量。

參考鏈接：

[1]https://journals.ametsoc.org/view/journals/mwre/29/12/1520-0493_1901_29_551c_tpbolw_2_0_co_2.xml

[2]https://cir.nii.ac.jp/crid/1573668925699683328

[3]https://www.nature.com/articles/nature14956

[4]https://arxiv.org/abs/2202.11214

[5]https://arxiv.org/abs/2212.12794

[6]https://phys.org/news/2023-09-ai-weather-showcase-data-driven.html

[7]https://arxiv.org/abs/2307.10128

—— 完 ——