劃重點
01Google AI開發(fā)了一個結(jié)合傳統(tǒng)天氣預報技術(shù)和機器學習的計算機模型，能更準確地預測7天后的天氣。
02與現(xiàn)有的基于人工智能的預報工具相比，這個模型速度快、能耗低，且更詳細。
03然而，純機器學習方法在集合預報或長期氣候預報方面可靠性較低。
04通過將物理學引入模型，研究團隊能夠確保模型受到物理約束，避免做出不切實際的事情。
05未來版本中，研究團隊計劃加入更多地球科學內(nèi)容，以提高模型的準確性。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
原文作者：Helena Kudiabor
更可靠、能耗更低的模型能幫我們更好地為極端天氣做準備。
精確的預報有助于人們?yōu)闃O端天氣事件做好準備，如熱帶風暴。來源：NOAA/Getty
一個將傳統(tǒng)天氣預報技術(shù)和機器學習相結(jié)合的計算機模型，在預測天氣場景和長期氣候趨勢方面優(yōu)于其他基于人工智能（AI）的工具。
于7月22日發(fā)表在《自然》上[1]，這個工具是首個生成準確集合天氣預報（呈現(xiàn)一系列場景）的機器學習模型。它的開發(fā)為預報打開了一扇門，比現(xiàn)有的工具速度快、能耗低，而且比僅基于AI的方法更詳細。
“傳統(tǒng)氣象模型需要在超級計算機上運行。而這是一個幾分鐘就能運行的模型。”研究共同作者Stephan Hoyer說，他在加利福尼亞州的Google Research研究深度學習。
目前的預報系統(tǒng)通常依賴于大氣環(huán)流模型（GCM），這些程序利用物理定律，模擬地球的海洋和大氣，預測它們可能如何影響天氣和氣候。但GCM需要大量的算力，而機器學習的進步正在提供更高效的替代辦法。“我們擁有太字節(jié)乃至拍字節(jié)（十億字節(jié)的百萬倍）的歷史天氣數(shù)據(jù)。” Hoyer說。“通過從這些模式中學習，我們能建立更好的模型。”
現(xiàn)在已經(jīng)有一些機器學習的預報模型了，例如中國華為的盤古氣象，還有總部位于倫敦的DeepMind開發(fā)的GraphCast。這些模型的準確度與通常的確定性預報GCM（一種產(chǎn)生單一天氣預報的方法）差不多。但GCM在集合預報或長期氣候預報方面沒那么可靠。
“純機器學習方法的問題是，你只能用它已經(jīng)看過的數(shù)據(jù)來訓練它。”在倫敦阿蘭圖靈研究所研究AI和環(huán)境數(shù)據(jù)的Scott Hosking說。“氣候一直在變化，我們在步入未知，所以我們的機器學習模型必須推斷出未知的未來。通過將物理學引入模型，我們能夠確保我們的模型受到物理約束，不會做出不切實際的事情。”
混合模型
Hoyer和他的團隊開發(fā)訓練了NeuralGCM，這個模型結(jié)合了“傳統(tǒng)基于物理學的大氣求解器的某些方面，和一些AI組件”，Hoyer說。他們使用這個模型產(chǎn)生了短期和長期的天氣預報，還有氣候預測。為了評估NeuralGCM的準確性，研究者將它的預測和真實世界數(shù)據(jù)，以及和其他模型如GCM和純基于機器學習的輸出結(jié)果做了比較。
和現(xiàn)有機器學習模型一樣，NeuralGCM能產(chǎn)生準確的短期確定性預報（提前1-3天），耗能只有GCM的一小部分。但它在產(chǎn)生超過7天的長期預報時，比其他機器學習模型出錯少得多。實際上，NeuralGCM的長期預報近似于歐洲中期天氣預報中心的集合模型（ECMWF-ENS），后者被廣泛認為是天氣預報的金標準。
研究團隊還測試了這個模型預報不同天氣現(xiàn)象的能力，例如熱帶氣旋。他們發(fā)現(xiàn)，與NeuralGCM 和 ECMWF-ENS相比，許多純機器學習模型會產(chǎn)生不一致、不準確的預報。研究者還比較了NeuralGCM和超高分辨率氣候模型全球風暴解析模擬。NeuralGCM可以在較短時間里生成更現(xiàn)實的熱帶氣旋數(shù)量和軌跡。
能預測這類事件，“對改進決策能力和準備戰(zhàn)略非常重要”，Hosking說。
Hoyer和同事熱切地想要優(yōu)化調(diào)整NeuralGCM。“我們一直在研究建模地球系統(tǒng)的大氣成分……這可能是最直接影響每天天氣的部分。” Hoyer說。他補充說，研究團隊想要在未來的版本中加入更多地球科學內(nèi)容，進一步提高模型的準確性。
參考文獻：
原文Google AI predicts long-term climate trends and weather in minutes標題發(fā)表在2024年7月23日《自然》的新聞版塊上
nature
Doi：10.1038/d41586-024-02391-9
