成人免费午夜在线观看,伊人久久精品,一区二区三区精品

【文/等風(fēng)】

高溫預(yù)警、暴雨預(yù)警、強(qiáng)對(duì)流天氣預(yù)警……近期這些氣象信息頻繁從手機(jī)信息彈窗中出現(xiàn)。更遺憾的是，極端天氣給我們?cè)斐闪司薮蟮纳?cái)產(chǎn)損失。如今，人類已將科技發(fā)展推向了一個(gè)全新的境地，但為什么天災(zāi)的預(yù)警似乎仍略顯“滯后”？

比如，當(dāng)下最時(shí)髦熱門的人工智能已滲透到人類生產(chǎn)生活的方方面面，天氣預(yù)報(bào)也不例外。2024年12月5日，《Nature》刊登了谷歌DeepMind開發(fā)的首個(gè)基于人工智能技術(shù)的天氣預(yù)報(bào)模型（即氣象大模型）——GenCast，這是自我國(guó)華為盤古氣象大模型之后又一登上《Nature》正刊的氣象大模型。GenCast的研究帶頭人雷米·林（Rémi Lam）也因?yàn)樘岢鍪褂脵C(jī)器學(xué)習(xí)改進(jìn)天氣預(yù)報(bào)而入選《Nature》2024年度十大人物。

谷歌GenCast氣象大模型 Nature

問題來了：用上人工智能的天氣預(yù)報(bào)和傳統(tǒng)天氣預(yù)報(bào)的區(qū)別在哪里？它能代替?zhèn)鹘y(tǒng)的天氣預(yù)報(bào)嗎？

傳統(tǒng)天氣預(yù)報(bào)如何預(yù)測(cè)天氣？

在了解氣象大模型之前，我們有必要了解一下傳統(tǒng)的天氣預(yù)報(bào)原理——數(shù)值天氣預(yù)報(bào)。

數(shù)值天氣預(yù)報(bào)方法起源于20世紀(jì)初。1904年，挪威的科學(xué)家Bjerknes首次提出了通過求解描述大氣運(yùn)動(dòng)變化的數(shù)學(xué)物理方程來預(yù)知未來的天氣，但是當(dāng)時(shí)受限于計(jì)算能力而無法實(shí)現(xiàn)。1922年，英國(guó)的氣象學(xué)家Richardson組織大量人力，僅靠紙和筆在6個(gè)星期的時(shí)間內(nèi)完成了6個(gè)小時(shí)的數(shù)值天氣預(yù)報(bào)。

到了1950年，美國(guó)氣象學(xué)家Charney和Rossby等人終于借助電子計(jì)算機(jī)花了一天時(shí)間完成了未來24小時(shí)的數(shù)值天氣預(yù)報(bào)。而隨著超級(jí)計(jì)算機(jī)的發(fā)展，現(xiàn)階段氣象學(xué)家已經(jīng)可以做到在幾小時(shí)內(nèi)作出未來半個(gè)月的數(shù)值天氣預(yù)報(bào)。

全世界多個(gè)氣象機(jī)構(gòu)也發(fā)展出自己的數(shù)值天氣預(yù)報(bào)模型，例如歐洲中期天氣預(yù)報(bào)中心（ECMWF）的綜合預(yù)報(bào)系統(tǒng)（IFS），美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心（NCEP）的全球預(yù)報(bào)系統(tǒng)（GFS），德國(guó)國(guó)家氣象服務(wù)機(jī)構(gòu)（DWD）的全球數(shù)值天氣預(yù)報(bào)和氣候建模系統(tǒng)（ICON），以及我國(guó)氣象局（CMA）開發(fā)的數(shù)值預(yù)報(bào)系統(tǒng)葡萄模式（GRAPES）等等。

ECMWF傳統(tǒng)數(shù)值預(yù)報(bào)在12月16日預(yù)報(bào)48小時(shí)后的歐亞地區(qū)500hpa高度的氣壓場(chǎng)及其距平 ECMWF

數(shù)值天氣預(yù)報(bào)的具體工作原理為：根據(jù)氣象探測(cè)儀器（衛(wèi)星，飛機(jī)，船舶，氣象站，探空氣球等）從大氣中采集到的實(shí)際數(shù)據(jù)整合為網(wǎng)格化的數(shù)據(jù)作為大氣初始場(chǎng)，在一定的初值和邊值條件下，通過超級(jí)計(jì)算機(jī)作數(shù)值計(jì)算，求解描寫天氣演變過程的大氣流體力學(xué)和熱力學(xué)的偏微分方程組，然后得出未來一定時(shí)段的大氣運(yùn)動(dòng)狀態(tài)并不斷持續(xù)演進(jìn)。這種傳統(tǒng)的數(shù)值模式屬于物理驅(qū)動(dòng)模型，建立在人類對(duì)大氣過程本質(zhì)的了解之上。

數(shù)值天氣預(yù)報(bào)借助數(shù)學(xué)方程對(duì)天氣狀況進(jìn)行預(yù)測(cè) NOAA

盡管數(shù)值天氣預(yù)報(bào)已經(jīng)發(fā)展成熟并為天氣預(yù)報(bào)作出了巨大貢獻(xiàn)，但是其仍然有很多局限性難以解決，最關(guān)鍵就是系統(tǒng)誤差的累積與不確定性問題。由于大氣系統(tǒng)是典型的非線性混沌系統(tǒng)，其對(duì)初始條件高度敏感。即便現(xiàn)階段大氣觀測(cè)數(shù)據(jù)的質(zhì)量和覆蓋范圍有所提升，但是初始條件的微小誤差仍可能導(dǎo)致預(yù)報(bào)結(jié)果在長(zhǎng)時(shí)間尺度下出現(xiàn)巨大偏離。

非線性混沌系統(tǒng)中的混沌現(xiàn)象 MIT

其次就是數(shù)值天氣預(yù)報(bào)需要超級(jí)計(jì)算機(jī)夜以繼日的計(jì)算。尤其是對(duì)于高空間和時(shí)間分辨率的預(yù)報(bào)模型，計(jì)算資源的需求隨著分辨率提高呈指數(shù)關(guān)系增長(zhǎng)。當(dāng)前數(shù)值預(yù)報(bào)模型依賴于大規(guī)模高性能計(jì)算集群和海量?jī)?nèi)存，需要耗費(fèi)巨大成本維持。而且由于計(jì)算量大，往往每次預(yù)報(bào)的時(shí)間都長(zhǎng)達(dá)幾個(gè)小時(shí)。

最后一點(diǎn)就是現(xiàn)有數(shù)值預(yù)報(bào)模型一般僅使用當(dāng)前時(shí)刻的觀測(cè)數(shù)據(jù)作為輸入，而忽略了大量歷史觀測(cè)數(shù)據(jù)的潛在價(jià)值。這些歷史數(shù)據(jù)蘊(yùn)含了豐富的大氣狀態(tài)變化信息，尤其對(duì)于某些極端天氣事件的預(yù)報(bào)，可能會(huì)提供更加全面的背景信息。

氣象大模型的誕生

近年來人工智能蓬勃發(fā)展、深度學(xué)習(xí)技術(shù)不斷進(jìn)步，科學(xué)家發(fā)現(xiàn)人工智能對(duì)于數(shù)據(jù)的學(xué)習(xí)建?？梢赃\(yùn)用到氣象預(yù)測(cè)方面，氣象大模型應(yīng)運(yùn)而生。

ECMWF官網(wǎng)中的盤古氣象大模型業(yè)務(wù)

氣象大模型的核心是基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)算法。利用強(qiáng)大的計(jì)算能力、巨量歷史數(shù)據(jù)訓(xùn)練和各種深度學(xué)習(xí)架構(gòu)，氣象大模型能夠快速預(yù)測(cè)20-25km分辨率的常規(guī)氣象要素場(chǎng)以及臺(tái)風(fēng)路徑、極端天氣、近地面風(fēng)場(chǎng)、降水等關(guān)鍵信息。深度學(xué)習(xí)模型能夠在未知實(shí)際物理過程及方程的前提下，基于圖形處理器 （GPU）從海量的訓(xùn)練數(shù)據(jù)中自動(dòng)挖掘潛在規(guī)律，從而實(shí)現(xiàn)天氣的精確預(yù)報(bào)。

除了上文提到的進(jìn)入《Nature》正刊的華為盤古大模型、谷歌GraphCast模型以外，還有英偉達(dá)FourCastNet模型、微軟ClimaX模型、復(fù)旦大學(xué)伏羲大模型、上海人工智能實(shí)驗(yàn)室“風(fēng)烏”GHR大模型、清華大學(xué)和中國(guó)氣象局的NowcastNet預(yù)報(bào)大模型等等。而華為的盤古大模型已經(jīng)在歐洲中期天氣預(yù)報(bào)中心（ECMWF）實(shí)現(xiàn)業(yè)務(wù)運(yùn)行，此外作為全世界最先進(jìn)的天氣預(yù)報(bào)機(jī)構(gòu)，ECMWF也發(fā)布了大模型AIFS。

主流氣象大模型參數(shù)

氣象大模型相較于傳統(tǒng)數(shù)值天氣預(yù)報(bào)，首先就解決了上面提到的傳統(tǒng)數(shù)值預(yù)報(bào)的第三個(gè)問題：無法有效利用歷史觀測(cè)數(shù)據(jù)。氣象大模型正是從大量的歷史觀測(cè)數(shù)據(jù)中獲得有用的潛在規(guī)律來實(shí)現(xiàn)未來的模式預(yù)報(bào)的。主流氣象大模型訓(xùn)練通常是使用的是ERA5數(shù)據(jù)，也就是ECMWF對(duì)1950年1月至今全球氣候的第五代大氣再分析數(shù)據(jù)集。

氣象大模型解決的第二個(gè)問題便是計(jì)算時(shí)間和算力。氣象大模型在計(jì)算時(shí)間上大幅領(lǐng)先傳統(tǒng)數(shù)值模型，例如盤古大模型僅需數(shù)秒即可完成全球7天的高分辨率數(shù)值氣象預(yù)報(bào)，這比傳統(tǒng)方法快了近萬倍；GenCast在8分鐘內(nèi)即可生成未來15天的天氣預(yù)測(cè)，也比傳統(tǒng)方法快得多。

氣象大模型的計(jì)算成本也非常低，只要配備了具有一定計(jì)算能力的GPU，你甚至可以在自己的電腦上運(yùn)行模型、預(yù)測(cè)天氣，無需成本驚人的超級(jí)計(jì)算機(jī)。

使用家用GPU，通過GenCast在12月23日預(yù)測(cè)十天后歐亞地區(qū)500hpa高度氣壓場(chǎng)和距平

氣象大模型的準(zhǔn)確性如何？

氣象大模型的優(yōu)勢(shì)如此多，那么對(duì)于天氣預(yù)報(bào)最關(guān)鍵的性能——準(zhǔn)確性，它能和傳統(tǒng)數(shù)值天氣預(yù)報(bào)相比嗎？實(shí)際上，在很多方面不僅可以，還能有所超越。

原理上，氣象大模型尋找歷史數(shù)據(jù)在時(shí)間滯后格點(diǎn)的聯(lián)系，并做卷積、鏈接計(jì)算并建立運(yùn)算網(wǎng)絡(luò)映射，這使其能淡化掉一部分的邊界問題，從而得到收斂的解并輸出，規(guī)避掉了一開始由理想的物理數(shù)學(xué)條件約束的邊界條件。而傳統(tǒng)的數(shù)值預(yù)報(bào)模式設(shè)置了較為理想的物理?xiàng)l件，誤差在迭代過程中反而會(huì)被放大。

以熱帶氣旋為例，盤古氣象大模型比傳統(tǒng)的數(shù)值預(yù)報(bào)EC-IFS HRES得出了更準(zhǔn)確的氣旋跟蹤結(jié)果。下圖展示了2019年西太平洋最強(qiáng)臺(tái)風(fēng)（康妮和玉兔）的跟蹤結(jié)果。對(duì)于這兩個(gè)強(qiáng)臺(tái)風(fēng)，HRES的預(yù)報(bào)結(jié)果均出現(xiàn)了較大偏差：相較而言，盤古氣象大模型能夠提前48小時(shí)以上對(duì)這兩個(gè)臺(tái)風(fēng)做出正確的路徑預(yù)報(bào)。

盤古氣象大模型對(duì)于2018年兩個(gè)臺(tái)風(fēng)預(yù)測(cè)和ECMWF傳統(tǒng)數(shù)值模型的比較

而在對(duì)去年的臺(tái)風(fēng)“杜蘇芮”的預(yù)報(bào)中，盤古氣象大模型更是一戰(zhàn)成名，較傳統(tǒng)數(shù)值模型更為提前預(yù)測(cè)出臺(tái)風(fēng)穿過巴士海峽登陸閩南地區(qū)的路徑。在今年對(duì)我國(guó)影響較大的臺(tái)風(fēng)“格美”和“摩羯”的路徑預(yù)測(cè)中，各類氣象大模型的表現(xiàn)也顯著優(yōu)于傳統(tǒng)數(shù)值模型?！禢ature》發(fā)表的最新研究成果也顯示，GenCast在97%的預(yù)測(cè)結(jié)果中比傳統(tǒng)的集合預(yù)報(bào)系統(tǒng)（ENS）更準(zhǔn)確，在預(yù)測(cè)極端高溫或寒冷天氣，以及大風(fēng)、熱帶氣旋路徑等方面也表現(xiàn)得更好。

今年襲擊華南地區(qū)的臺(tái)風(fēng)“摩羯”衛(wèi)星云圖 中國(guó)氣象局

氣象大模型這么強(qiáng)，未來還需要傳統(tǒng)數(shù)值天氣預(yù)報(bào)嗎？

那么氣象大模型發(fā)展到現(xiàn)在這個(gè)階段，能代替?zhèn)鹘y(tǒng)數(shù)值天氣預(yù)報(bào)了嗎？答案仍然是不能。氣象大模型依然存在很多難題有待解決。

第一，深度學(xué)習(xí)模型通常是“黑盒”模型，對(duì)于具體的物理化學(xué)過程，模型并沒有詳細(xì)給出解釋，這會(huì)使得其預(yù)測(cè)只具有統(tǒng)計(jì)學(xué)含義，難以對(duì)預(yù)報(bào)結(jié)果提供氣象領(lǐng)域所需的可解釋依據(jù)。氣象大模型缺乏足夠的數(shù)學(xué)理論分析，所以無法取代具有現(xiàn)有的具有物理過程推算能力的模式，而針對(duì)可解釋性的神經(jīng)網(wǎng)絡(luò)架構(gòu)和相應(yīng)的數(shù)學(xué)分析工具仍然具有較大的探索空間。

第二，大模型的訓(xùn)練數(shù)據(jù)集不完備和不平衡的問題。在氣象預(yù)報(bào)中，不同天氣現(xiàn)象間的數(shù)據(jù)量的大小、數(shù)據(jù)分布的密集程度和數(shù)據(jù)質(zhì)量的好壞都對(duì)大模型的性能和準(zhǔn)確性產(chǎn)生重要影響。因此模型本身的數(shù)據(jù)源具有很大的粗糙度導(dǎo)致了模型只適合做大致落區(qū)、位置的推算，精度上還有待考量。

第三，氣象大模型是在再分析數(shù)據(jù)上進(jìn)行訓(xùn)練和測(cè)試的，但實(shí)際的預(yù)報(bào)系統(tǒng)需要建立在觀測(cè)數(shù)據(jù)之上，且這些數(shù)據(jù)源之間可能存在差異，這導(dǎo)致了預(yù)測(cè)結(jié)果的不同。例如EAR5在東亞的再分析數(shù)據(jù)和歷史真實(shí)情況之間是有出入的，這可能導(dǎo)致最終的預(yù)測(cè)結(jié)果仍然不夠準(zhǔn)確。而且大部分模型都使用EAR5數(shù)據(jù)集進(jìn)行訓(xùn)練，模型與模型之間的差別很弱，局地的可預(yù)報(bào)性變差。

第四，氣象大模型會(huì)產(chǎn)生更加平滑的預(yù)報(bào)結(jié)果，并且無法理解全球變暖在最近幾年導(dǎo)致的影響，這兩方面增加了其低估極端氣象事件強(qiáng)度的風(fēng)險(xiǎn)。在姚凱等研究員檢驗(yàn)盤古氣象大模型在東北地區(qū)強(qiáng)降水、系統(tǒng)性大風(fēng)、高溫等典型高影響天氣過程的預(yù)報(bào)效果中，就指出盤古氣象大模型在2023年典型天氣過程極端性方面表現(xiàn)不足。

第五，模型的優(yōu)點(diǎn)在于大氣中層的環(huán)流趨勢(shì)，數(shù)據(jù)集當(dāng)中的低空層面較為有限且受個(gè)別因素影響較大，所以自然而然模型對(duì)于大尺度過程（中等臺(tái)風(fēng)、溫帶氣旋位置、副高邊緣切變雨帶、槽前雨帶等）具有良好的推算能力，但是并不能很好地解決局地對(duì)流天氣的產(chǎn)生機(jī)理的演算；而在季節(jié)預(yù)測(cè)方面，由于數(shù)據(jù)的有限和氣候的快速變化，氣象大模型也存在束手無策的方面。

第六，雖然氣象大模型在預(yù)測(cè)未來方面較傳統(tǒng)數(shù)值天氣預(yù)報(bào)有很大的計(jì)算能耗優(yōu)勢(shì)，但是大規(guī)模氣象大模型的訓(xùn)練過程需要龐大的計(jì)算資源，在這方面的計(jì)算成本方面相較于傳統(tǒng)數(shù)值并無明顯優(yōu)勢(shì)。

目前，無論是氣象大模型還是傳統(tǒng)數(shù)值預(yù)報(bào)方法都尚有較大改進(jìn)空間。未來，大模型可以通過增加更多的垂直層次和大氣變量、更好地整合時(shí)間維度、使用更深和更寬的網(wǎng)絡(luò)、或者增加訓(xùn)練時(shí)長(zhǎng)，以此來進(jìn)一步提高性能。這些研究均需要具有更大內(nèi)存和更高 FLOPS（每秒浮點(diǎn)運(yùn)算數(shù)）的GPU集群，這也正是當(dāng)前人工智能的發(fā)展趨勢(shì)。因此在可預(yù)見的未來，人工智能方法并不是代替?zhèn)鹘y(tǒng)的數(shù)值預(yù)報(bào)方法，而是和它深度融合，演化出更強(qiáng)大的數(shù)值氣象預(yù)報(bào)系統(tǒng)。