大模型能不能预测恶劣天气？

▼

目前有不少的大语言模型已经拥有了高准确度的天气预测能力，相较于传统的天气预测技术，这些被称为大型 AI 气象预测模型（Large AI Weather forecast Model，LWMs）在极端天气预测方面有着更好的效果。

盘古气象（Pangu-Weather）

盘古气象（Pangu-Weather），是一款由华为推出的天气预测系统，它利用深度学习技术来提高天气预报的准确性。

盘古气象提高预测准确性有两个关键策略，包括一个定制的3D地球特定变换器（3DEST）架构，它可以将高度资讯格式化为立方体资料；此外研究团队还设计了一个应用分层时间聚合演算法来减轻累积预报误差。研究显示，盘古气象在短到中等范围的预报（即从一小时到一周的预报时间范围）显示出巨大优势。而且该系统还支援极端天气预报和多种集合预报。

在极端气象事件预报方面，盘古气象展现出显着的优势。在测试2018的88个命名热带气旋的关注上，其3天和5天的平均直接位置误差均低于ECMWF-HRES，分别为120.29公里和195.65公里，优于后者的162.28公里和272.10公里。

不过盘古气象仍存在一些限制与改进空间。由于其训练数据是基于ERA5再分析数据，因此会存在较大偏差，尤其是在强度预测方面。其次，盘古气象训练过程中需要大量运算资源，训练以及定期维护的成本极高。而且盘古气象在未见过的数据或不同气候条件下的泛化能力尚需验证。

GraphCast

GraphCast 是由Google DeepMind开发的一个基于图神经网络天气预测模型，它能够处理复杂的空间依赖关系，并在全球范围内提供准确的天气预报。

GraphCast利用GNNs在处理复杂空间依赖关系的优势，以提升天气预报的准确性。在预测过程中，GraphCast会西安进行资料预处理，将气象资料转换为图篇结构，每个节点代表地理位置，并以边来表示空间关系；之后，GraphCast将为图中的每个节点提取特征，如温度、湿度、风速等；然后利用图神经网络建模，透过聚合邻居节点的资讯来更新每个节点的内容，学习复杂的空间依赖关系；接着进行时间序列预测，预测未来一段时间内各个节点的气象资料变数；最后，对预测结果进行处理和评估，提高预报的可读性和准确性。

GraphCast 同样有问题。 GraphCast的表现很大程度上依赖高品质和全面的气象数据，而数据的缺失或不准确性可能会影响模型的预测结果。此外，尽管GraphCast能够处理复杂的空间依赖关系，但在即时更新和快速反应天气变化方面可能仍存在挑战。

（Source：pixabay）

风乌（Fengwu）

风乌是全球的中程天气预报系统，由上海人工智慧实验室联合内地科学技术大学、上海交通大学、南京资讯工程大学、内地科学院大气物理研究所及上海中心气象台发布。它采用了多模态和多任务学习的深度学习架构，包括模型特定的编码器-解码器和跨模态融合Transformer。这些组件在不确定性损失的监督下学习，以地区自适应的方式平衡不同预测器的最佳化。风乌还引入了重播缓冲区机制，透过储存先前最佳化迭代的预测结果并用做当前模型的输入，提高了长时预测效能。

风乌最大的特点，就是利用多模态和多任务学习能力来预测天气，可以将全球气象有效预报提高到10.75天。它在ERA5再分析资料上进行了等同39年时间的训练，能够准确模拟大气动力学，并预测37个垂直层次的未来陆地和大气状态。

效能评估显示，风乌在大多数预测目标上的表现优于GraphCast，例如将10天领先全球z500预测的均方根误差（RMSE）从733降低到651 m/s。它在NVIDIA Tesla A100硬件上的推理成本仅为600毫秒，与GraphCast相比，在训练和推理方面的计算成本更低。

和其他同类模型一样，风乌也面临着数据和成本的挑战，而且随着气候模式的变化，风乌需要定期更新以保持准确性，这需要持续的资源投入和专业知识。

ClimateNet

ClimateNet是一个利用卷积神经网络从卫星影像中辨识气候特征的模型，旨在解决天气和气候科学领域中辨识、侦测和定位极端天气事件的挑战。ClimateNet透过ClimateContours工具进行资料集创建，让专家标注气候事件，并基于LabelMe进行了最佳化。其研究团队进行了多次标注活动，产生了数百个专家标注的气候资料快照，形成了ClimateNet资料集，并进行了严格的品质控制。

ClimateNet使用DeepLabv3+架构训练深度学习模型，实现了气候资料的像素级分割。该模型在两个不同的气候模型场景下进行了训练和测试，并展示了优于基于启发式演算法的模型的性能。此外，ClimateNet的应用案例显示如何利用其分割结果进行条件降水分析，有助于理解气候变迁对极端天气事件的影响。

尽管ClimateNet取得了显着进展，但因为训练资料有限，且需要持续的更新和维护，ClimateNet目前仍处于研究阶段，并没有被正式投入使用。

（Source：pixabay）

伏羲（FuXi）

伏羲是一款基于机器学习的天气预报系统，能够提供15天的全球天气预报，具有6小时的时间解析度和0.25的空间解析度。该系统基于欧洲中期天气预报中心（ECMWF）的ERA5再分析资料集开发，并透过等同39年时间的资料训练而成。

伏羲采用了一种新颖的级联机器学习模型架构，由三个预先训练的伏羲模型组成，分别针对0-5天、5-10天和10-15天的预报时间窗口进行最佳化。这些模型透过级联方式产生完整的15天预报。伏羲在15天预报的表现与ECMWF集合平均相当，显着减少了累积误差，提高了长期预报的准确度。为了处理天气预报的不确定性，伏羲也提供了一个有50成员的集合预报。

伏羲目前最大的问题是其预报时间在9天后便会出现性能下降的情况，而且伏羲的预测玩去哪依赖于ECMWF的ERA5再分析数据集，法完全独立于传统的数值天气预报模型，这让它目前还难以投入实际应用之中。

除了这些较成熟的大型AI 气象预测模型之外，还有不少模型正在训练中，以减少极端天气可能带来的影响。当然，由于成本、维护、精确度等问题，现在的天气预测模型还难以做到全面准确，但相信随着技术的发展，将来会有越来越多的AI模型被投入使用。

（本文由 品玩 授权转载；首图来源：pixabay）

延伸阅读：

• 下次强台或超大豪雨来袭前，AI 能提前预测吗？
• Google DeepMind 开发天气预报新系统，AI 首次超越传统预报方法
• 有了超级电脑和大型模型，就能预测任何气象灾害？

▼

   特别声明    本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。