人工智能在天气预报中的应用
人工智能天气模型直接从过去几十年的观测中学习大气模式，在几秒钟内生成 10 天的预测，可以与需要数小时运行的基于物理的超级计算机模型相媲美或击败。
概述
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
深入探讨
70 年来，天气预报意味着在巨型超级计算机上求解流体物理方程，这一过程称为数值天气预报 (NWP)。 AI 颠覆了这种方法：Google DeepMind 的 GraphCast、华为的盘古天气和 NVIDIA 的 FourCastNet 等模型均在 ERA5 再分析数据集（大约 40 年的每小时全球天气）上进行训练。他们了解今天的大气层和明天的大气层之间的统计关系，然后通过模式匹配而不是模拟物理进行预测。 GraphCast 在单个 TPU 上不到一分钟就能以 0.25 度的分辨率生成 10 天的全球预测，而在超级计算机集群上则需要数小时。 2023 年，GraphCast 在大多数变量上都优于黄金标准 ECMWF 模型。欧洲中心现在运行自己的人工智能操作模型 AIFS。
技术洞察
GraphCast 将地球表示为图表：以多个尺度连接的节点的多重网格，让信息在本地和长距离内通过几个步骤传播。图神经网络获取当前和之前的大气状态，然后预测未来 6 小时的状态。为了预测 10 天，它以自回归方式反馈自己的输出 40 次。训练优化了压力水平和温度、风和湿度等变量的加权误差。
战略影响
背景与规则
行业背景决定了人工智能创意能否与现实接触。
质量控制
领域约束会影响可接受的错误率和监督模型。
构建选择
成功的部署使技术能力与一线工作流程保持一致。
人工智能在天气预报中的未来
人工智能预测正在从研究转向日常运营：ECMWF、英国气象局和其他机构现在将人工智能模型与物理学一起运行。下一个前沿领域包括量化不确定性的基于扩散的集成（GenCast）、公里级局部模型以及共同处理天气、气候和空气质量的地球“基础模型”。将人工智能速度与物理可靠性相结合的混合系统可能会出现罕见的极端情况，因为纯数据驱动的模型可能会低估训练数据中缺少的前所未有的事件。
现实世界的实施
Google DeepMind 的 GraphCast 可在一分钟内生成 10 天的全球预报，用于提前几天标记气旋路径
ECMWF 运行其可操作的 AIFS 模型，以补充其传统的基于物理的欧洲天气服务预报
NVIDIA 的 FourCastNet 快速生成大型集合来估计极端风和降水事件的概率
GenCast 生成的概率集合预报在 97% 的测试天气目标上击败了 ECMWF 的 ENS，从而改进了热带气旋路径指导
风险与防护栏
监管要求可能会使原本强大的原型失效。
历史数据可能会编码损害特定社区的偏见。
遗留系统可能会造成集成瓶颈和隐性成本。
实施路线图
让领域专家参与从问题框架到评估的整个过程。
在启动前设计审计跟踪和文档。
尽早验证合规性和安全义务。
分阶段推出，并具有明确的停止和回滚标准。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Weather Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is AI in Weather Forecasting?
人工智能天气模型直接从过去几十年的观测中学习大气模式，在几秒钟内生成 10 天的预测，可以与需要数小时运行的基于物理的超级计算机模型相媲美或击败。这正在重塑气象学家预测风暴、热浪和飓风的方式。
GraphCast 等领先的人工智能天气模型主要使用哪些数据集进行训练？
GraphCast 和类似模型在 ECMWF 的 ERA5 再分析上进行训练，该分析提供了数十年一致的每小时全球大气数据。
像 GraphCast 这样的人工智能模型与传统的数值天气预报有何根本区别？
数值天气预报以数值方式求解流体动力学方程，而人工智能则对从历史数据中学习到的关系进行模式匹配建模。
GraphCast 如何从 6 小时的预测步骤生成 10 天的预测？
GraphCast 提前 6 小时进行预测，然后将该预测作为输入反馈回来，重复大约 40 次以达到 10 天。
GraphCast 在单个 TPU 上生成 10 天的全球预测大约需要多长时间？
AI 预测的一个主要优势是速度：GraphCast 的运行时间不到一分钟，而超级计算机 NWP 则需要数小时。
纯数据驱动的人工智能天气模型的主要局限性是什么？
由于人工智能模型是从历史数据中学习，因此它们可能会遇到训练集中没有先例的破纪录事件。