中國大模型怎樣幫助預(yù)測天氣？

中國大模型怎樣幫助預(yù)測天氣？

作者：田達(dá)瑋 科普創(chuàng)作者

審核：秦曾昌 北京航空航天大學(xué) 自動(dòng)化科學(xué)與電氣工程學(xué)院 副教授

2023年，《自然》期刊上發(fā)表了一篇文章，這是第一篇以中國科技公司作為唯一署名單位的《自然》正刊。而這篇文章研究的內(nèi)容，是跟人們生活息息相關(guān)的天氣預(yù)測。

雖然我們現(xiàn)在能很輕松地在手機(jī)上查到每天，甚至每小時(shí)的天氣狀況，但要想精確預(yù)測天氣，絕不是一件容易的事情。

天氣預(yù)測：從經(jīng)驗(yàn)預(yù)測到數(shù)值模擬

天氣和人類的生活生產(chǎn)息息相關(guān)。

所以早在幾千年前，古人就已經(jīng)有了看云識天氣，或者看動(dòng)物識天氣的方法，比如“燕子低飛要下雨”“一霧三晴，重霧三日必大風(fēng)”“朝霞不出門，晚霞行千里”等等。

而隨著科學(xué)的發(fā)展，一些地方也開始建立早期的氣象站。它們一方面能夠繼續(xù)積累準(zhǔn)確的氣象、氣候數(shù)據(jù)，同時(shí)也能夠?qū)Ξ?dāng)?shù)氐奶鞖庾龀龊唵蔚念A(yù)測。雖然跟現(xiàn)代天氣預(yù)報(bào)的準(zhǔn)確度沒法比，但有總比沒有強(qiáng)。

在19世紀(jì)中期，電報(bào)開始普及，人們能夠跨越很遠(yuǎn)的距離交流信息。這對于氣象站來說也很重要，特別是在得知了上風(fēng)向地區(qū)的天氣之后，可以根據(jù)這些情況對天氣做出預(yù)測。

但隨著社會的發(fā)展，這種預(yù)測方式已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足人們的需要了。

到20世紀(jì)之后，氣象科學(xué)家相信，人們是可以基于熱力學(xué)、流體力學(xué)模型，對天氣狀況進(jìn)行預(yù)測的。并且給出了大致的預(yù)測思路，給定一個(gè)初始條件，用它帶入到考慮了眾多氣象參數(shù)的模型中，就能根據(jù)這個(gè)條件推算出接下來的天氣。

在1922年，英國數(shù)學(xué)家劉易斯·弗萊·理查森（Lewis Fry Richardson）進(jìn)行了一次嘗試，利用手動(dòng)計(jì)算的方式，進(jìn)行了一次天氣預(yù)測。

雖然當(dāng)時(shí)的天氣預(yù)測模型還相當(dāng)簡單，而且非常耗時(shí)（這次預(yù)測耗費(fèi)了劉易斯一個(gè)多月的時(shí)間），而預(yù)測出來的結(jié)果跟實(shí)際狀況相差十萬八千里。

但劉易斯還是比較樂觀的，他認(rèn)為，在未來“計(jì)算機(jī)器”的幫助下，人們可以更加快速準(zhǔn)確地預(yù)測天氣。

劉易斯的猜想沒錯(cuò)，在劉易斯的首次嘗試之后三十年，電子計(jì)算機(jī)開始應(yīng)用在天氣預(yù)報(bào)上。這種基于大氣的數(shù)學(xué)物理模型預(yù)測天氣的方法叫作數(shù)值預(yù)測。

隨著氣象數(shù)據(jù)的積累、大氣模型的完善，以及計(jì)算機(jī)算力的飛速提高，數(shù)值預(yù)測天氣也變得越來越準(zhǔn)確，成為了氣象預(yù)測中的標(biāo)準(zhǔn)方法。

目前世界上比較知名的氣象預(yù)測機(jī)構(gòu)和模型，都是基于數(shù)值預(yù)測模型建立的。其中的佼佼者，要數(shù)歐洲中期天氣預(yù)報(bào)中心（ECMWF）了。而在開頭提到的論文中，AI預(yù)測的結(jié)果也是和歐洲中期天氣預(yù)報(bào)中心的預(yù)測結(jié)果進(jìn)行比較的。

AI預(yù)測天氣模型

雖然數(shù)值模型預(yù)測天氣已經(jīng)非常準(zhǔn)確了，但它依然存在一些問題。比如每次計(jì)算需要消耗大量的算力和時(shí)間。

而隨著AI技術(shù)的發(fā)展，特別是深度學(xué)習(xí)技術(shù)的發(fā)展，人們也開始嘗試用AI來預(yù)測天氣。使用相同的計(jì)算資源的情況下，AI預(yù)測能比傳統(tǒng)的數(shù)值模型預(yù)測快好幾個(gè)數(shù)量級。

但再過去，AI預(yù)測模型的準(zhǔn)確度還不夠高。比如2022年時(shí)候的FourCastNet，它的預(yù)測準(zhǔn)確度就遠(yuǎn)低于歐洲中期天氣預(yù)報(bào)中心模型。

2023年論文中提到的盤古氣象大模型也是基于深度學(xué)習(xí)技術(shù)，利用歐洲中期天氣預(yù)報(bào)中心的再分析數(shù)據(jù)集（ERA5 數(shù)據(jù)）對模型進(jìn)行訓(xùn)練。

ERA5的數(shù)據(jù)分辨率為1小時(shí)，模型采用了1979到2017年超過34萬個(gè)時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行訓(xùn)練量。

而且和過去的模型不同，盤古大模型采用的是三維深度神經(jīng)網(wǎng)絡(luò)，讓模型能夠更好地“理解”不同氣壓層的大氣變化，從而更好地“理解”天氣。

模型還提前輸入了地球的“先驗(yàn)”知識，讓模型能夠更好地考慮地球上不同位置的氣候特征，這些都讓盤古大模型有了更好的預(yù)測效果。

模型3D神經(jīng)網(wǎng)絡(luò)架構(gòu)，圖片源自文獻(xiàn)1

結(jié)果發(fā)現(xiàn)，對于濕度、風(fēng)速、溫度、海平面氣壓等方面，盤古模型的預(yù)測準(zhǔn)確率優(yōu)于之前的AI模型FourCastNet，也比歐洲中期天氣預(yù)報(bào)中心的數(shù)值模型要好。

更重要的是，盤古模型的預(yù)測速度比歐洲中期天氣預(yù)報(bào)中心的數(shù)值模型快1萬倍以上，這對于節(jié)約計(jì)算資源，以及即時(shí)預(yù)報(bào)極端天氣來說至關(guān)重要。

預(yù)測熱帶氣旋

預(yù)測熱帶氣旋的走向是一件非常困難的事情。很多人可能還記得，在2023年，超強(qiáng)臺風(fēng)“卡努”的行蹤就非?！半y以捉摸”，來了兩次180度的大轉(zhuǎn)彎。

2023年臺風(fēng)“卡努”的軌跡，圖片來源：Wikipedia

盤古氣象模型也對2018年的幾個(gè)臺風(fēng)軌跡做出了預(yù)測，預(yù)測準(zhǔn)確度都比歐洲中期天氣預(yù)報(bào)中心的高。

比如，2018年歐洲中期天氣預(yù)報(bào)中心曾經(jīng)預(yù)測臺風(fēng)“康妮”會在中國登陸，而實(shí)際上沒有。盤古氣象模型預(yù)測的結(jié)果和實(shí)際情況更接近。

另外對臺風(fēng)“玉兔”的軌跡預(yù)測上，盤古氣象模型比歐洲中期天氣預(yù)報(bào)中心早兩天預(yù)測出了它會在菲律賓登陸，這對于人們預(yù)防臺風(fēng)來說是至關(guān)重要的。

盤古、歐洲中期天氣預(yù)報(bào)中心對康妮，玉兔的預(yù)測結(jié)果，圖片來源：參考文獻(xiàn)1

AI預(yù)測天氣在繼續(xù)進(jìn)步

繼盤古氣象模型之后，2024年，《自然》期刊又發(fā)布了谷歌研究院團(tuán)隊(duì)設(shè)計(jì)的大氣環(huán)流模型“Neural GCM”。

這個(gè)模型能夠進(jìn)行中短期的天氣預(yù)測，同時(shí)還能完成長達(dá)幾十年的氣候模擬。

在對1到15天的預(yù)報(bào)準(zhǔn)確率上，“Neural GCM”也和歐洲中期天氣預(yù)報(bào)中心的準(zhǔn)確率不相上下。而它在預(yù)測龍卷風(fēng)這種的極端天氣上，準(zhǔn)確率也超過了已有的氣候模型。

而且也和盤古模型一樣，“Neural GCM”也能極大地節(jié)約計(jì)算資源。它預(yù)測中期天氣和長期氣候的速度比傳統(tǒng)的大氣環(huán)流模型快了3到5個(gè)數(shù)量級。

雖然目前AI預(yù)測模型還不能完全取代原來的數(shù)值預(yù)測模型，但包括歐洲中期天氣預(yù)報(bào)中心（ECMWF）和美國國家海洋和大氣管理局（NOAA）等機(jī)構(gòu)在內(nèi)，已經(jīng)開始試用AI技術(shù)來提高計(jì)算效率和預(yù)測精度。

相信在AI的加持下，天氣預(yù)報(bào)或許會更加精確，或許預(yù)測幾點(diǎn)幾分下幾滴雨這樣的事情也不再算“天機(jī)”。這無疑也會為我們的生活提供更大的便利，讓我們拭目以待吧。

參考文獻(xiàn)：

[1] Lynch P. The origins of computer weather prediction and climate modeling[J]. Journal of computational physics, 2008, 227(7): 3431-3444.

[2] Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks[J]. Nature, 2023, 619(7970): 533-538.

[3] Kochkov D, Yuval J, Langmore I, et al. Neural general circulation models for weather and climate[J]. Nature, 2024, 632(8027): 1060-1066.