圖片

在全球變暖、自然極端天氣頻發(fā)的當(dāng)下，準(zhǔn)確的氣象預(yù)測對于人類生命健康與社會發(fā)展至關(guān)重要。

例如，在農(nóng)業(yè)方面，為播種、灌溉和收割等農(nóng)事活動提供參考，減少自然災(zāi)害對農(nóng)作物的影響，提高產(chǎn)量和經(jīng)濟效益；在航空領(lǐng)域，幫助航空公司合理規(guī)劃航班，避免因惡劣天氣導(dǎo)致的延誤和事故；在公共安全領(lǐng)域，為應(yīng)急管理部門的工作提供參考，減少人員傷亡和財產(chǎn)損失……

從科學(xué)研究的角度來看，氣象預(yù)測能夠幫助科學(xué)家更好地理解大氣的物理過程和氣候變化的趨勢。分析氣候系統(tǒng)的復(fù)雜性，探索極端天氣事件的成因，以及評估人類活動對氣候的影響。

然而，現(xiàn)有的人工智能（AI）氣象預(yù)測領(lǐng)域面臨諸多挑戰(zhàn)。傳統(tǒng)數(shù)值天氣預(yù)測（NWP）系統(tǒng)依賴復(fù)雜流程和超級計算機，難以快速改進(jìn)，且改進(jìn)成本高昂。AI 模型雖具潛力，但多依賴 NWP 初始狀態(tài)，性能受限，且在數(shù)據(jù)處理上面臨數(shù)據(jù)缺失和融合難題，影響其預(yù)測性能和實際應(yīng)用。

谷歌 GenCast、GraphCast、NeuralGCM 等 AI 氣象預(yù)測技術(shù)取得了顯著進(jìn)展，但它們在數(shù)據(jù)依賴性、預(yù)測時效和分辨率、模型復(fù)雜性和計算成本以及實際應(yīng)用的局限性等方面仍存在一些缺點。

作為新一代 AI 氣象預(yù)測系統(tǒng)，由來自劍橋大學(xué)和艾倫圖靈研究所的研究團隊開發(fā)的 Aardvark Weather 有望帶來氣象預(yù)測的范式轉(zhuǎn)變。

Aardvark Weather 是首個可用在臺式電腦訓(xùn)練和運行的單一 AI 模型取代天氣預(yù)報流程所有步驟的系統(tǒng)，速度快數(shù)千倍，可處理來自衛(wèi)星、氣象站和氣象氣球的多模態(tài)復(fù)雜數(shù)據(jù)，生成 10 天全球預(yù)報。

相關(guān)研究論文以“End-to-end data-driven weather prediction”為題，已發(fā)表在權(quán)威科學(xué)期刊 Nature 上。

圖片

論文鏈接：

https://www.nature.com/articles/s41586-025-08897-0

研究團隊表示，這將為缺乏超級計算機、復(fù)雜基礎(chǔ)設(shè)施和專業(yè)知識的發(fā)展中國家?guī)碚嬲膬r值，以及在任何地方發(fā)揮作用，提高效率和準(zhǔn)確性，甚至減少天氣預(yù)報的大量碳足跡。

AI氣象預(yù)測：更便宜、更準(zhǔn)確、更高效

傳統(tǒng)的數(shù)值天氣預(yù)報（NWP）需 3 步，包括：收集信息估計大氣當(dāng)前狀態(tài)、用復(fù)雜計算模型產(chǎn)生預(yù)報、處理預(yù)報確保其在特定位置可用。

過去兩年，AI 雖用于流程第二步，使其速度更快、更準(zhǔn)確，但第一步尚未取得更大進(jìn)展，仍需消耗大量資源。NWP 依賴數(shù)據(jù)同化、流體力學(xué)方程求解、后處理等多個步驟，需超級計算機支持，這使得其運行成本高昂，且難以快速迭代和改進(jìn)。生成全球預(yù)報需約1000節(jié)點小時，且依賴高分辨率模型。

在這項研究中，Aardvark Weather 通過其端到端的數(shù)據(jù)驅(qū)動方法，顯著降低了氣象預(yù)測的計算成本。它還能夠在幾秒鐘內(nèi)生成全球天氣預(yù)報，相較于傳統(tǒng)方法需要數(shù)小時甚至數(shù)天的計算時間，極大地提高了預(yù)測效率。

此外，Aardvark Weather 在多個氣象變量和預(yù)測時效上展現(xiàn)出與傳統(tǒng) NWP 系統(tǒng)相當(dāng)甚至更優(yōu)的準(zhǔn)確性，尤其是在處理小范圍極端天氣事件時表現(xiàn)出色。這種高效、經(jīng)濟且準(zhǔn)確的特性，使其成為未來氣象預(yù)測領(lǐng)域的一個重要發(fā)展方向。

具體而言，Aardvark 的速度更快。它是首個完全數(shù)據(jù)驅(qū)動的端到端天氣預(yù)報系統(tǒng)，比傳統(tǒng) NWP 更快、成本更低，其生成速度比現(xiàn)有系統(tǒng)快幾個數(shù)量級，并且不依賴 NWP 預(yù)報產(chǎn)品。

在 4 個 NVIDIA A100 GPU 上，Aardvark 由觀測數(shù)據(jù)生成完整預(yù)報大約只需要一秒鐘。相比之下，高分辨率預(yù)報（HRES）僅執(zhí)行數(shù)據(jù)同化和預(yù)報就需要大約 1000 個節(jié)點小時，這還未考慮下游本地模型和處理。

而且，Aardvark 是端到端的。Aardvark 學(xué)習(xí)端到端模型提供了額外的功能，即能夠優(yōu)化系統(tǒng)，以在任意感興趣的變量或區(qū)域上實現(xiàn)性能最大化。與傳統(tǒng) NWP 系統(tǒng)相比，機器學(xué)習(xí)系統(tǒng)不僅速度更快、計算成本更低，而且改進(jìn)和維護(hù)起來也容易得多。

該系統(tǒng)的簡單性，不僅使其更容易被已經(jīng)運行 NWP 的用戶部署和維護(hù)，還為發(fā)展中國家的一些地區(qū)提供了運行定制 NWP 的潛力，這些地區(qū)的機構(gòu)通常缺乏運行傳統(tǒng)系統(tǒng)的資源和專業(yè)知識。

此外，端到端預(yù)測還展示了能夠針對特定區(qū)域和變量優(yōu)化定制模型以最大化預(yù)測能力的潛力，這引起了農(nóng)業(yè)、可再生能源、保險和金融等多個領(lǐng)域終端用戶的極大興趣。

那么，Aardvark Weather 是如何做到這些的呢？

Aardvark Weather 是一個深度學(xué)習(xí)模型，能夠從多種觀測數(shù)據(jù)源中攝取信息，并生成全球網(wǎng)格化預(yù)測和本地站點預(yù)測，三個主要模塊組成：編碼器（encoder）、處理器（processor）和解碼器（decoder）。它在訓(xùn)練階段利用高質(zhì)量的再分析數(shù)據(jù)，而在部署階段完全獨立于傳統(tǒng) NWP 產(chǎn)品。

圖片

圖｜三個模塊各自的功能

首先，編碼器模塊整合多種來源的觀測數(shù)據(jù)，包括網(wǎng)內(nèi)和網(wǎng)外觀測數(shù)據(jù)，并生成網(wǎng)格化初始狀態(tài)。網(wǎng)內(nèi)觀測數(shù)據(jù)是規(guī)則網(wǎng)格上的數(shù)據(jù)模態(tài)，而網(wǎng)外模態(tài)則是一組經(jīng)緯度位置上的數(shù)據(jù)。

為此，他們利用了深度學(xué)習(xí)在處理離網(wǎng)數(shù)據(jù)和缺失數(shù)據(jù)方面的最新進(jìn)展。這一過程采用非遞歸方法進(jìn)行狀態(tài)估計，以避免傳統(tǒng)數(shù)據(jù)同化系統(tǒng)中的復(fù)雜性。

對于編碼器模塊，他們通過掩碼通道區(qū)分缺失數(shù)據(jù)與真實觀測數(shù)據(jù)，使用 SetConv 層處理非網(wǎng)格化數(shù)據(jù)，并利用 ViT 提取特征，最終輸出 24 個大氣變量的初始估計值，訓(xùn)練過程中采用 VLW-RMSE 損失函數(shù)，并通過 AdamW 優(yōu)化器進(jìn)行優(yōu)化。

其次，處理器模塊以編碼器估算出的初始大氣狀態(tài)作為輸入，會在 24 小時內(nèi)生成網(wǎng)格預(yù)報。通過自回歸方式生成未來 24 小時的天氣預(yù)測。對于更長的預(yù)測時間，處理器模塊會將其自身的預(yù)測作為輸入，逐步推算未來的天氣狀態(tài)。

該模塊由 10 個獨立的 ViT 串聯(lián)構(gòu)成，每個 ViT 負(fù)責(zé)預(yù)測未來 1 天的氣象狀態(tài)殘差（residual，即當(dāng)前預(yù)測與真實狀態(tài)的差異），并通過疊加殘差逐步生成 1 至 10 天的全球網(wǎng)格化預(yù)報。

例如，第一天的 ViT 以初始狀態(tài)為輸入預(yù)測第 1 天殘差，第二天的 ViT 則以第 1 天修正后的狀態(tài)為輸入，依此類推。

最后，解碼器模塊收到處理器模塊輸出的網(wǎng)格化預(yù)測數(shù)據(jù)，任務(wù)特定的解碼器模塊將網(wǎng)格化數(shù)據(jù)轉(zhuǎn)換為具體的本地氣象預(yù)測。

該模塊采用 U-Net 為主架構(gòu)，對全球預(yù)報數(shù)據(jù)進(jìn)行空間特征提取，捕捉局部氣象細(xì)節(jié)，隨后通過 SetConv 層將網(wǎng)格數(shù)據(jù)插值到任意目標(biāo)站點坐標(biāo)，并結(jié)合多層感知機（MLP）融入地形輔助信息（如海拔、坡度）。

邁向新一代端到端氣象預(yù)測系統(tǒng)

雖然 AI 氣象預(yù)測工具正在快速發(fā)展，但這仍然是一項實驗技術(shù)，需要在一段時間內(nèi)進(jìn)行嚴(yán)格的評估。要想在實際中部署 Aardvark Weather 這樣的端到端數(shù)據(jù)驅(qū)動模型，必須考慮當(dāng)前模型的局限性。

與所有當(dāng)前的 AI-NWP 系統(tǒng)一樣，Aardvark Weather 尚未以 IFS 的分辨率運行。需要進(jìn)一步研究以提高網(wǎng)格分辨率，并通過擴散等方式生成預(yù)報集合。

此外，Aardvark Weather 在觀測數(shù)據(jù)的使用上也存在一些局限性。增加更多的觀測方式很可能會提高預(yù)報能力。同時，還需要考慮如何將那些尚未有訓(xùn)練數(shù)據(jù)的新儀器的數(shù)據(jù)有效地整合到系統(tǒng)中。例如，可以通過對模擬數(shù)據(jù)進(jìn)行訓(xùn)練來實現(xiàn)。

對于氣象預(yù)測工具來說，颶風(fēng)和洪水等極端天氣尤其重要。不幸的是，這類罕見事件在訓(xùn)練數(shù)據(jù)中較少出現(xiàn)，這意味著人工智能系統(tǒng)在這些現(xiàn)象上可能會遇到更多困難。

另一個需要考慮的問題是應(yīng)對觀測數(shù)據(jù)漂移以及數(shù)據(jù)隨時間的其他變化，比如氣候變化，這可能會降低基于過去數(shù)據(jù)訓(xùn)練的模型的準(zhǔn)確性。這可以通過定期使用最近幾個月的數(shù)據(jù)對所有模塊進(jìn)行微調(diào)，從而適應(yīng)儀器特性的變化。

對此，研究團隊表示，他們將在未來的工作中通過擴展 Aardvark Weather 以支持更多其他預(yù)報變量，無論是在其網(wǎng)格化預(yù)報中，還是通過其解碼器模塊，都可以進(jìn)一步增加其功能。例如，Aardvark Weather 可以支持多種解碼器模塊，以提供不同類型的終端用戶預(yù)報，如颶風(fēng)、洪水、嚴(yán)重對流、火災(zāi)和其他極端天氣預(yù)警。

另一個令人興奮的方向是，利用端到端系統(tǒng)進(jìn)行更長時間的預(yù)報，來生成季節(jié)性預(yù)報產(chǎn)品。

此外，增加更多的觀測模式將允許對地球系統(tǒng)的其他組成部分進(jìn)行建模。例如，用于空氣質(zhì)量預(yù)報的大氣化學(xué)和用于海洋預(yù)報的海洋參數(shù)。

他們設(shè)想，Aardvark Weather 將成為新一代端到端氣象預(yù)測系統(tǒng)中第一個能夠應(yīng)對這些多樣化任務(wù)的系統(tǒng)。

作者：錦鯉

來源: 學(xué)術(shù)頭條