(adsbygoogle=window.adsbygoogle||[]).push({});
根据世界气象组织（WMO）的数据显示，过去50年，每天都会发生一场与天气、气候或水灾相关的灾害，导致115人死亡以及2.02亿美元的经济损失。
因此，建立更精准的天气预报系统对于挽救数百万生命、减少数万亿美元的经济损失具有重要意义。
然而，传统的天气预报通常依赖数值天气预报算法（NWP），这类算法计算复杂、模型构建耗时，难以快速生成预报结果。尽管基于机器学习的天气预报（MLWP）在效率和单次预报的准确性上有所突破，但在量化预报不确定性以及处理复杂时空相关性方面仍显不足，且整体表现不如NWP集成预报系统。
如今，由Google DeepMind团队研发的人工智能（AI）模型GenCast，已将天气预报的精度和效率提升到了一个全新水平——
GenCast能够在8分钟内生成一组15天的全球天气预报，时间步长为12小时，分辨率达到0.25°，涵盖了超过80种地表和大气变量，且在97.2%的评估指标（总共1320个）上超越了当前全球最先进的中期天气预报——欧洲中期天气预报中心（ECMWF）的集合预报（ENS）。此外，它还具有更优越的边际预报和联合预报分布。
此外，GenCast在预报极端天气（如高温、强风）、热带气旋路径和风能产量时也表现出更高的效率。
相关研究论文以“Probabilistic weather forecasting with machine learning”为题，已发表于权威科学期刊《Nature》。
GenCast：更快速、更精确的未来天气预报
图｜GenCast 生成天气预报的示意图。
图｜GenCast 的边际预报分布表现精准且校准良好。
图｜GenCast 在区域风力和热带气旋预报中的表现优于 ENS。
GenCast 是一个全新的概率性天气预报模型，它通过条件扩散模型（conditional diffusion model）生成一系列可能的天气情景。其核心优势在于能够建模未来天气状态的条件概率分布，即根据当前及过去的天气状态生成未来的预报。这使得GenCast能够在全球范围内提供高精度的15天概率性天气预报，且速度更快。
具体而言，GenCast 的架构包含编码器、处理器和解码器三个模块。编码器将初始天气状态映射到6次精细划分的球形网格上，处理器则通过图形Transformer捕捉网格节点间复杂的时空相关性，而解码器则将最终结果映射回全球的纬度经度网格，生成最后的天气预报。
此外，研究团队使用ERA5再分析数据对GenCast进行了训练，确保了模型在全球范围内的泛化能力和对历史天气模式的深刻理解。
为了评估GenCast的实际性能，研究团队进行了基准测试，并与现有的最先进系统和模型进行了对比。为保证公平性，所有模型均基于ERA5数据进行初始化，并统一调整至0.25°的分辨率。
在与其他系统的对比实验中，GenCast生成的天气样本更接近实际观测值，且预报分布能覆盖多种可能的天气情景，为用户提供了对潜在风险的更全面理解。例如，GenCast在台风海贝思登陆日本前的预报十分清晰，在1至15天的预测范围内，其球谐功率谱与ERA5地面真实值非常接近。
接下来，研究团队评估了GenCast与ENS在极端天气预报中的整体表现、校准和边际预报性能。边际预报是针对特定时间和地点的天气预报，是日常天气服务的核心。
GenCast在这一领域展示了显著的性能优势。它生成的预报分布能够更精确地反映可能的天气情景，不仅在温度、风速和气压等变量的预报上与实际数据高度吻合，还能通过改进的概率校准有效地量化预报的不确定性。
研究表明，GenCast在多个气象变量的边际分布预报中优于ENS，在一个涵盖1320个评估指标的测试中，97.2%的测试中GenCast的技能得分（CRPS）更高，尤其是在短期预报（1至5天）中效果尤为突出。
此外，GenCast在预报高温、强风等极端天气时同样表现卓越。研究采用了Brier技能得分和相对经济价值（REV）曲线来衡量模型的表现，结果显示，GenCast在预报高温（99.99%分位点）和极端低温（0.01%分位点）事件时的表现明显优于ENS。
GenCast的边际预报还展现了良好的校准能力，能够有效识别预报中可能的错误或偏差，为用户提供更为可靠的天气决策支持。
除了边际预报，GenCast在联合预报方面也有显著表现。联合预报关注天气变量间的空间和时间相关性，这对于捕捉全局天气系统的动态至关重要。例如，在热带气旋轨迹预报中，路径预测不仅仅依赖单一变量，还需要考虑多层次的大气相互作用。GenCast能够生成具有时空一致性的天气样本，精确捕捉这些复杂的相关性，从而提供更准确的预报。
研究特别分析了GenCast在台风“海贝思”中的表现。该模型在预测台风路径时，其不确定性评估范围覆盖了更多可能的情景，并且在轨迹位置的误差远低于ENS。随着预报时间的减少，GenCast的不确定性范围逐渐收敛，为决策者提供了更精确的着陆时间和地点信息。
此外，在区域风能预报中，GenCast通过将10米风速数据转换为风能输出，预报精度相比ENS提高了20%，尤其在短期预报中，对可再生能源的调度具有重要意义。
尽管GenCast在精度和效率上取得了显著突破，但仍然存在进一步优化的空间。例如，提升分辨率以匹配未来升级的ENS系统，或通过蒸馏技术降低计算成本。此外，结合操作性数据进行微调，或融入更多传统NWP初始条件处理方法，也将显著提高其实用性。
人工智能如何重塑未来气候预报？
AI一直被视为“改善极端天气预报的更快、更经济的替代方案”，在天气预报领域备受关注。除了谷歌，华为、清华大学等科技公司和高校也在这一方向取得了重大进展。
2023年7月，华为云开发的盘古气象（Pangu-Weather）模型在《Nature》上发表，该模型利用39年的全球再分析天气数据进行训练，预报准确率与全球最先进的数值天气预报系统IFS相当，且在相同空间分辨率下比IFS快10000倍以上。
同期，《Nature》上还发布了另一篇关于NowcastNet的论文，This model, developed by prominent figures in machine learning, Professor Michael Jordan from the University of California, Berkeley, and Professor Wang Jianmin from Tsinghua University, combines physical laws with deep learning to provide real-time precipitation forecasts, excelling in short-range forecasts. NowcastNet can make high-resolution rainfall predictions for a 2048 km × 2048 km area up to three hours in advance.
2023年11月，Google DeepMind推出了一款基于机器学习的天气预报模型——GraphCast，该模型在全球0.25°分辨率下，能够在一分钟内预报未来10天数百个天气变量，表现远超传统天气预报方法，且在预测极端事件时表现出色。相关研究论文已在权威期刊《Science》上发表。
2024年3月，Google Research的洪水预报团队推出了一种AI模型，该模型通过5680个测量仪器的数据训练，可在7天内预报未测量流域的日径流。该模型在同日预报和5年一遇的极端天气事件中，优于当时领先的全球洪水预警系统GloFAS。
2024年7月，Google Research团队与合作伙伴推出了一款天气预报和气候模拟模型NeuralGCM，其在1至15天的短期天气预报中，准确率接近ECMWF模型，并在气旋预报和轨迹模拟方面优于现有模型。加入海平面温度后，40年的气候预报结果与全球变暖趋势高度一致，且NeuralGCM能够在30秒内生成22.8天的气候模拟。相关研究论文已在《Nature》上发表。
相信在不久的将来，AI驱动的天气预报将以更快的速度、更高的准确度，广泛应用于灾害预警、能源规划、气候适应等领域，为应对复杂气候挑战提供更加有力的工具。
暂无评论