人工智慧在天氣預報的應用
人工智慧天氣模式直接從過去幾十年的觀測中學習大氣模式，在幾秒鐘內產生 10 天的預測，可以與需要數小時運行的基於物理的超級電腦模型相媲美或擊敗。
概述
這正在重塑氣象學家對風暴、熱浪和颶風的預測方式。
深入探討
70 年來，天氣預報意味著在巨型超級電腦上求解流體物理方程，這個過程稱為數值天氣預報 (NWP)。 AI 顛覆了這種方法：Google DeepMind 的 GraphCast、華為的盤古天氣和 NVIDIA 的 FourCastNet 等模型均在 ERA5 再分析資料集（約 40 年的每小時全球天氣）上進行訓練。他們了解今天的大氣層和明天的大氣層之間的統計關係，然後透過模式匹配而不是模擬物理進行預測。 GraphCast 在單一 TPU 上不到一分鐘就能以 0.25 度的解析度產生 10 天的全球預測，而在超級電腦叢集上則需要數小時。 2023 年，GraphCast 在大多數變數上都優於黃金標準 ECMWF 模型。歐洲中心現在運行自己的人工智慧操作模型 AIFS。
技術洞察
GraphCast 將地球表示為圖表：以多個尺度連接的節點的多重網格，讓資訊在本地和長距離內透過幾個步驟傳播。圖神經網路取得當前和先前的大氣狀態，然後預測未來 6 小時的狀態。為了預測 10 天，它以自回歸方式回饋自己的輸出 40 次。訓練優化了壓力水平和溫度、風和濕度等變數的加權誤差。
戰略影響
背景與規則
產業背景決定了人工智慧創意能否與現實接觸。
品質管控
領域約束會影響可接受的錯誤率和監督模型。
配裝選擇
成功的部署使技術能力與第一線工作流程保持一致。
人工智慧在天氣預報的未來
人工智慧預測正在從研究轉向日常運作：ECMWF、英國氣象局和其他機構現在將人工智慧模型與物理學一起運作。下一個前沿領域包括量化不確定性的基於擴散的整合（GenCast）、公里級局部模型以及共同處理天氣、氣候和空氣品質的地球「基礎模型」。將人工智慧速度與物理可靠性相結合的混合系統可能會出現罕見的極端情況，因為純數據驅動的模型可能會低估訓練資料中缺少的前所未有的事件。
現實世界的實施
Google DeepMind 的 GraphCast 可在一分鐘內產生 10 天的全球預報，用於提前幾天標記氣旋路徑
ECMWF 運行其可操作的 AIFS 模型，以補充其傳統的基於物理的歐洲天氣服務預報
NVIDIA 的 FourCastNet 快速產生大型集合來估計極端風和降水事件的機率
GenCast 產生的機率集合預報在 97% 的測試天氣目標上擊敗了 ECMWF 的 ENS，從而改進了熱帶氣旋路徑指導
風險與防護欄
監理要求可能會使原本強大的原型失效。
歷史資料可能會編碼損害特定社區的偏見。
遺留系統可能會造成整合瓶頸和隱性成本。
實施路線圖
讓領域專家參與從問題框架到評估的整個過程。
在啟動前設計審計追蹤和文件。
儘早驗證合規性和安全義務。
分階段推出，並有明確的停止和回滾標準。
不斷探索
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
常見問題
什麼是 AI 在天氣預報中的應用？
人工智慧天氣模式直接從過去幾十年的觀測中學習大氣模式，在幾秒鐘內產生 10 天的預測，可以與需要數小時運行的基於物理的超級電腦模型相媲美或擊敗。這正在重塑氣象學家預測風暴、熱浪和颶風的方式。
GraphCast 等領先的人工智慧天氣模式主要使用哪些資料集進行訓練？
GraphCast 和類似模式在 ECMWF 的 ERA5 再分析上進行訓練，該分析提供了數十年一致的每小時全球大氣資料。
像 GraphCast 這樣的人工智慧模式與傳統的數值天氣預報有何根本差異？
數值天氣預報以數值方式求解流體動力學方程，而人工智慧則對從歷史資料中學習到的關係進行模式匹配建模。
GraphCast 如何從 6 小時的預測步驟產生 10 天的預測？
GraphCast 提前 6 小時進行預測，然後將該預測作為輸入回饋回來，重複約 40 次以達到 10 天。
GraphCast 在單一 TPU 上產生 10 天的全球預測大約需要多長時間？
AI 預測的一個主要優勢是速度：GraphCast 的運行時間不到一分鐘，而超級電腦 NWP 則需要數小時。
純數據驅動的人工智慧天氣模型的主要限制是什麼？
由於人工智慧模型是從歷史資料中學習，因此它們可能會遇到訓練集中沒有先例的破紀錄事件。