天氣預(yù)報“二次革命”？阻止我們春運回家的惡劣天氣，AI如何預(yù)測

我們也許正在經(jīng)歷著 2009 年以來最復(fù)雜的春運天氣。

近期，我國中東部地區(qū)迎來持續(xù)大范圍雨雪冰凍天氣，2 月 4 日更是大風(fēng)、大霧、暴雪、冰凍四預(yù)警齊發(fā)，部分地區(qū)高鐵、高速、航班等交通出行均受到不同程度的影響。

對于即將回家或正在回家路上的人來說，返鄉(xiāng)的路程十分漫長。

圖｜全國春運道路安全出行天氣地圖（來源：央視新聞）

近年來，異常高溫、海嘯、臺風(fēng)（颶風(fēng)）、洪水、冰雹等極端天氣，也同樣給人們的經(jīng)濟(jì)生活造成了巨大負(fù)面影響。

如何及時、準(zhǔn)確地預(yù)測短時和未來的天氣狀況，已成為科學(xué)家們試圖努力攻破的重要課題之一。

當(dāng)前，隨著人工智能（AI）大模型的不斷發(fā)展，大型 AI 氣象預(yù)測模型（Large AI Weather forecast Model，LWMs）已經(jīng)成為中程天氣預(yù)測的關(guān)鍵組成部分，在上述極端天氣事件的預(yù)測中的表現(xiàn)要優(yōu)于傳統(tǒng)數(shù)值天氣預(yù)報。

其中，表現(xiàn)亮眼的 AI 模型包括：華為的盤古氣象（Pangu-Weather）、Google DeepMind 的 GraphCast，以及 FengWu 和 FuXi AI 等。

為什么 AI 可以預(yù)測天氣？

這些 AI 模型之所以如此強大，是因為它們能夠深入挖掘天氣數(shù)據(jù)中的復(fù)雜關(guān)系和模式。

其中一個顯著的優(yōu)勢是，這些 AI 模型能夠通過數(shù)以億計的參數(shù)，更精準(zhǔn)地捕捉和模擬大氣中的微小變化，因而在復(fù)雜氣象條件下表現(xiàn)出色。

同時，這些 AI 模型的工作原理也是其卓越性能的關(guān)鍵。相較于傳統(tǒng)的數(shù)值天氣預(yù)報模型，它們采用了全新的學(xué)習(xí)策略。通過對歷史數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，AI 模型能夠不斷自我優(yōu)化，逐漸提高對大氣動力學(xué)和氣象學(xué)的理解。這種迭代的學(xué)習(xí)過程，使得 AI 模型能夠更好地適應(yīng)不同的氣象條件，并迅速反應(yīng)氣候變化的復(fù)雜性。

（來源：Pixabay）

值得一提的是，這些 AI 模型不僅僅是機械地對數(shù)據(jù)進(jìn)行擬合，還展現(xiàn)出了強大的泛化能力。也就是說，它們不僅能夠精確地預(yù)測過去出現(xiàn)的天氣情況，還能在未來的未知條件下進(jìn)行可靠的預(yù)測。這依賴于模型對于不同時間尺度和空間尺度的深刻理解，使其能在極端天氣事件預(yù)測中起到重要作用。

此外，這些 AI 模型還采用了先進(jìn)的計算架構(gòu)，如圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks，GNN）和 Transformer 模型。這些先進(jìn)的計算架構(gòu)使得 AI 模型能夠更好地處理復(fù)雜的氣象數(shù)據(jù)，以及數(shù)據(jù)之間的復(fù)雜關(guān)系，從而提高預(yù)測的準(zhǔn)確性。通過多層次、多尺度的學(xué)習(xí)，模型能夠更全面地理解大氣系統(tǒng)的運行機制，為準(zhǔn)確的天氣預(yù)測奠定堅實基礎(chǔ)。

AI 如何引發(fā)天氣預(yù)報的第二次革命？

傳統(tǒng)數(shù)值天氣預(yù)報模型通常需要大量計算資源，而 AI 模型利用 GPU 或 TPU 大大提高計算效率。

這使得我們可以構(gòu)建高分辨率的集合預(yù)報，大幅度超越了傳統(tǒng)模型的局限。同時，這些 AI 模型的用戶友好性和開源特性，使個人用戶能夠在個人電腦上輕松進(jìn)行定制天氣預(yù)報，使信息的傳播變得更加高效便捷。

以 FengWu-GHR 模型為例，其成功解決了高分辨率訓(xùn)練數(shù)據(jù)的缺乏和過于平滑的預(yù)測問題。據(jù)介紹，它 FengWu-GHR 第一個基于機器學(xué)習(xí)的全球最高分辨率數(shù)值天氣預(yù)報模型。

圖｜FengWu-GHR 的結(jié)構(gòu)。a）從低分辨率的長期歷史再分析數(shù)據(jù)中學(xué)習(xí)物理定律；b）一種外推方法，使預(yù)訓(xùn)練的 LR 模型能夠在高分辨率分析場上運行；c）一種遷移學(xué)習(xí)算法，可以補充預(yù)訓(xùn)練模型，以捕獲小規(guī)模天氣現(xiàn)象。；d）在每個步驟的參數(shù)級別上實施低秩適應(yīng)，以提高長期推出期間的預(yù)測技能。

據(jù)介紹，F(xiàn)engWu-GHR 是第一個能夠在 0.09° 水平分辨率下運行的機器學(xué)習(xí)全球數(shù)值天氣預(yù)報模型，將格點密度提高了大約八倍，為更準(zhǔn)確、更精細(xì)的全球天氣預(yù)測提供了堅實的技術(shù)基礎(chǔ)。

它采用了一種新穎的方法，即從一個預(yù)訓(xùn)練的低分辨率模型中繼承先驗知識。這個策略為高分辨率的天氣預(yù)測模型提供了寶貴的啟示，實現(xiàn)了先進(jìn)模型之間的信息傳遞，為高分辨率預(yù)測提供了新的可能。

為了更好地捕捉小尺度天氣現(xiàn)象，F(xiàn)engWu-GHR 引入了區(qū)域增強模擬（RES）模塊。這一模塊通過分解和組合式遷移學(xué)習(xí)，對局部的注意力機制進(jìn)行操作，從而提高對小尺度天氣模式的感知能力，進(jìn)一步提高了高分辨率預(yù)測的技能得分。

針對長導(dǎo)向預(yù)測中可能出現(xiàn)的誤差累積問題，F(xiàn)engWu-GHR 引入了低秩適應(yīng)（LoRA）方法。這一方法獨立地微調(diào)每個預(yù)測步驟的參數(shù)，確保了在微調(diào)的同時保持先前訓(xùn)練參數(shù)的完整性，有效地解決了以往方法中存在的一些限制。

當(dāng)然，AI 模型在全球海洋波浪預(yù)測中也有用武之地。

全球海洋波浪預(yù)報一直是航海、漁業(yè)和海洋資源管理等領(lǐng)域至關(guān)重要的信息之一。傳統(tǒng)的方法往往受制于計算資源和復(fù)雜的海洋動力學(xué)，而 AI 為這一領(lǐng)域帶來了新的可能性。

FuXi AI 模型由復(fù)旦大學(xué)團(tuán)隊提出，采用了創(chuàng)新的級聯(lián)方法，整合了三個經(jīng)過精心調(diào)試的 U-Transformer 模型，這三個模型分別在 0-5 天、5-10 天和 10-15 天的導(dǎo)報時段進(jìn)行優(yōu)化。

據(jù)介紹，該模型的獨特之處在于，通過級聯(lián)這些模型，生成全面的 15 天天氣預(yù)報，顯著提高了中期天氣預(yù)報的準(zhǔn)確性和可靠性。

這個 AI 模型被成功應(yīng)用于全球海洋波浪的多個方面，涉及三個主要組成部分：有效波高（SWH）、平均波周期（MWP）和平均波方向（MWD）。研究者采用了 ERA5 再分析數(shù)據(jù)集，提供 1 度分辨率的全球范圍數(shù)據(jù)，以及 NOAA 的地球地形數(shù)據(jù)集，用于固定地形邊界。

此外，F(xiàn)uXi AI 模型采用了 Vision Transformer（ViT）作為編碼器。ViT 模型對于小尺度波浪的預(yù)測具有卓越的精度，相對誤差在 1 天的導(dǎo)報中保持在 5% 左右。

值得注意的是，對于大于 6 米的極端海洋波浪的預(yù)測，ViT 模型的均方根誤差（RMSE）超過了 1 米。這表明，盡管模型在普通海況下表現(xiàn)優(yōu)異，但在極端情況下的準(zhǔn)確性仍有提升空間。

然而，在模擬臺風(fēng)引起的大波浪方面，ViT 模型在 1、4 和 7 天的導(dǎo)報中顯示出色的預(yù)測性能，最大波高的預(yù)測誤差僅約為 1 米。

FuXi AI 模型的創(chuàng)新之處在于，它綜合考慮了諸如總降水等診斷性量的預(yù)測。研究團(tuán)隊借助 FuXi 框架進(jìn)行了廣泛研究，開發(fā)了一系列模型，包括 FuXi-extreme 和 FuXi-S2S。這些模型在不同預(yù)報時間尺度上都表現(xiàn)出色。

盡管 AI 模型為天氣預(yù)報帶來了巨大的希望，但在其發(fā)展過程中仍然面臨一些挑戰(zhàn)。

其中之一是數(shù)據(jù)質(zhì)量控制和同化，關(guān)鍵在于減少對動力模型分析數(shù)據(jù)的依賴，更注重實時數(shù)據(jù)輸入。同時，確保集合預(yù)報的可靠性，如何有效設(shè)計與 AI 模型特性和物理法則相一致的初值擾動方案，也是亟需解決的問題。

圖｜大型 AI 模型與動態(tài)模型的可能集成示意圖，用來改善天氣預(yù)報。

不可否認(rèn)的是，AI 模型將成為未來天氣預(yù)報的重要組成部分，但與傳統(tǒng)數(shù)值天氣預(yù)報模型協(xié)同發(fā)展也至關(guān)重要。它們的融合將提高我們對大氣動力學(xué)的理解，為更全面、可靠的天氣和氣候變化預(yù)測奠定基礎(chǔ)。

未來，我們期待見到更多關(guān)于 AI 預(yù)測天氣的最新研究，共同見證這場天氣預(yù)報的科技變革。

參考鏈接：

https://arxiv.org/abs/2402.00059

https://arxiv.org/abs/2401.16669