2024年7月23日Nature头条

标题： Google AI 可在几分钟内预测长期气候趋势和天气

副标题：更可靠、能耗更低的模型可以帮助我们更好地为极端天气做好准备

附图：准确的预报有助于人们为热带风暴等极端天气事件做好准备

主要内容：

 将传统天气预报技术与机器学习相结合的计算机模型在预测天气情景和长期气候趋势方面优于其他基于人工智能 （AI） 的工具。

 该工具于7月22日在《自然》杂志上进行了描述，是第一个生成准确集合天气预报的机器学习模型 - 这些预报呈现了一系列情景。它的发展为预测打开了大门，与现有工具相比，预测速度更快，能耗更低，并且比仅基于人工智能的方法更详细。

 “传统的气候模型需要在超级计算机上运行。这是一个你可以在几分钟内运行的模型，“该研究的合著者Stephan Hoyer说，他在加利福尼亚州山景城的Google研究院研究深度学习。

 目前的预报系统通常依赖于一般环流模型（GCM），该模型利用物理定律来模拟地球海洋和大气中的过程，并预测它们如何影响天气和气候。但是 GCM 需要大量的计算能力，而机器学习的进步开始提供更有效的替代方案。“我们拥有 TB 或 PB 的历史天气数据（比 1 GB 大一百万倍），”Hoyer 说。“通过从这些模式中学习，我们可以构建更好的模型。

 目前已经有一些机器学习预测模型可用，例如由总部位于中国深圳的科技集团华为构建的Pangu-Weather，以及总部位于伦敦的DeepMind的GraphCast。这些模型与用于确定性预报的典型 GCM 具有相似的准确度水平，这是一种生成单一天气预报的方法。但是，对于集合预测或长期气候预测，GCMs并不那么可靠。

 “纯机器学习方法的问题在于，你只能在已经看到的数据上训练它，”伦敦艾伦图灵研究所（Alan Turing Institute）研究人工智能和环境数据的斯科特·霍斯金（Scott Hosking）说。“气候在不断变化，我们正在进入未知领域，因此我们的机器学习模型必须推断出那个未知的未来。通过将物理学引入模型，我们可以确保我们的模型受到物理约束，不能做任何不切实际的事情。

——混合模型

 Hoyer 和他的团队开发并训练了 NeuralGCM，该模型结合了“来自传统基于物理的大气求解器和一些 AI 组件的方面”，Hoyer 说。他们使用该模型来生成短期和长期天气预报，以及气候预测。为了评估NeuralGCM的准确性，研究人员将其预测与真实世界数据以及其他模型的输出进行了比较，包括GCMs和纯粹基于机器学习的模型。

 与当前的机器学习模型一样，NeuralGCM可以提前一到三天生成准确的短期确定性天气预报，同时消耗GCM所需功率的一小部分。但是，在生成超过七天的长期预测时，它比其他机器学习模型犯的错误要少得多。事实上，NeuralGCM的长期预报与欧洲中期天气预报中心的集合模型（ECMWF-ENS）的预测相似，该模型被广泛认为是天气预报的黄金标准。

 该团队还测试了该模型预测不同天气现象（例如热带气旋）的能力。他们发现，与NeuralGCM和ECMWF-ENS相比，许多纯机器学习模型产生的预测不一致和不准确。研究人员甚至将NeuralGCM与被称为全球风暴解决模型的超高分辨率气候模型进行了比较。NeuralGCM可以在更短的时间内产生更真实的热带气旋计数和轨迹。

 Hoyer 和他的同事们热衷于进一步完善和适应 NeuralGCM。“我们一直在研究地球系统建模的大气部分......这也许是最直接影响日常天气的部分，“霍耶说。他补充说，该团队希望将地球科学的更多方面纳入未来的版本中，以进一步提高模型的准确性。

原文链接：https://doi.org/10.1038/d41586-024-02391-9