首页 宝鸡信息 宝鸡资讯

​阻止我们春运回家的恶劣天气,AI可以预测吗?

(来源:网站编辑 2024-02-07 10:31)
文章正文

原创 学术头条 学术头条

近期,我国中东部地区迎来持续大范围雨雪冰冻天气,2 月 4 日更是大风、大雾、暴雪、冰冻四预警齐发,部分地区高铁、高速、航班等交通出行均受到不同程度的影响。

对于即将回家或正在回家路上的人来说,返乡的路程十分漫长。

近年来,异常高温、海啸、台风(飓风)、洪水、冰雹等极端天气,也同样给人们的经济生活造成了巨大负面影响。

如何及时、准确地预测短时和未来的天气状况,已成为科学家们试图努力攻破的重要课题之一。

当前,随着人工智能(AI)大模型的不断发展,大型 AI 气象预测模型(Large AI Weather forecast Model,LWMs)已经成为中程天气预测的关键组成部分,在上述极端天气事件的预测中的表现要优于传统数值天气预报。

其中,表现亮眼的 AI 模型包括:华为的、Google DeepMind 的 ,以及 FengWu 和 FuXi AI 等。

为什么 AI 可以预测天气?

这些 AI 模型之所以如此强大,是因为它们能够深入挖掘天气数据中的复杂关系和模式。

其中一个显著的优势是,这些 AI 模型能够通过数以亿计的参数,更精准地捕捉和模拟大气中的微小变化,因而在复杂气象条件下表现出色。

同时,这些 AI 模型的工作原理也是其卓越性能的关键。相较于传统的数值天气预报模型,它们采用了全新的学习策略。通过对历史数据进行深度学习,AI 模型能够不断自我优化,逐渐提高对大气动力学和气象学的理解。这种迭代的学习过程,使得 AI 模型能够更好地适应不同的气象条件,并迅速反应气候变化的复杂性。

(来源:Pixabay)

值得一提的是,这些 AI 模型不仅仅是机械地对数据进行拟合,还展现出了强大的泛化能力。也就是说,它们不仅能够精确地预测过去出现的天气情况,还能在未来的未知条件下进行可靠的预测。这依赖于模型对于不同时间尺度和空间尺度的深刻理解,使其能在极端天气事件预测中起到重要作用。

此外,这些 AI 模型还采用了先进的计算架构,如图神经网络(Graph Neural Networks,GNN)和 Transformer 模型。这些先进的计算架构使得 AI 模型能够更好地处理复杂的气象数据,以及数据之间的复杂关系,从而提高预测的准确性。通过多层次、多尺度的学习,模型能够更全面地理解大气系统的运行机制,为准确的天气预测奠定坚实基础。

AI 如何引发天气预报的第二次革命?

传统数值天气预报模型通常需要大量计算资源,而 AI 模型利用 GPU 或 TPU 大大提高计算效率。

这使得我们可以构建高分辨率的集合预报,大幅度超越了传统模型的局限。同时,这些 AI 模型的用户友好性和开源特性,使个人用户能够在个人电脑上轻松进行定制天气预报,使信息的传播变得更加高效便捷。

以 FengWu-GHR 模型为例,其成功解决了高分辨率训练数据的缺乏和过于平滑的预测问题。据介绍,它 FengWu-GHR 第一个基于机器学习的全球最高分辨率数值天气预报模型。

图|FengWu-GHR 的结构。a)从低分辨率的长期历史再分析数据中学习物理定律;b)一种外推方法,使预训练的 LR 模型能够在高分辨率分析场上运行;c)一种迁移学习算法,可以补充预训练模型,以捕获小规模天气现象。;d)在每个步骤的参数级别上实施低秩适应,以提高长期推出期间的预测技能。

据介绍,FengWu-GHR 是第一个能够在 0.09° 水平分辨率下运行的机器学习全球数值天气预报模型,将格点密度提高了大约八倍,为更准确、更精细的全球天气预测提供了坚实的技术基础。

它采用了一种新颖的方法,即从一个预训练的低分辨率模型中继承先验知识。这个策略为高分辨率的天气预测模型提供了宝贵的启示,实现了先进模型之间的信息传递,为高分辨率预测提供了新的可能。

为了更好地捕捉小尺度天气现象,FengWu-GHR 引入了区域增强模拟(RES)模块。这一模块通过分解和组合式迁移学习,对局部的注意力机制进行操作,从而提高对小尺度天气模式的感知能力,进一步提高了高分辨率预测的技能得分。

针对长导向预测中可能出现的误差累积问题,FengWu-GHR 引入了低秩适应(LoRA)方法。这一方法独立地微调每个预测步骤的参数,确保了在微调的同时保持先前训练参数的完整性,有效地解决了以往方法中存在的一些限制。

当然,AI 模型在全球海洋波浪预测中也有用武之地。

全球海洋波浪预报一直是航海、渔业和海洋资源管理等领域至关重要的信息之一。传统的方法往往受制于计算资源和复杂的海洋动力学,而 AI 为这一领域带来了新的可能性。

FuXi AI 模型由复旦大学团队提出,采用了创新的级联方法,整合了三个经过精心调试的 U-Transformer 模型,这三个模型分别在 0-5 天、5-10 天和 10-15 天的导报时段进行优化。

据介绍,该模型的独特之处在于,通过级联这些模型,生成全面的 15 天天气预报,显著提高了中期天气预报的准确性和可靠性。

这个 AI 模型被成功应用于全球海洋波浪的多个方面,涉及三个主要组成部分:有效波高(SWH)、平均波周期(MWP)和平均波方向(MWD)。研究者采用了 ERA5 再分析数据集,提供 1 度分辨率的全球范围数据,以及 NOAA 的地球地形数据集,用于固定地形边界。

此外,FuXi AI 模型采用了 Vision Transformer(ViT)作为编码器。ViT 模型对于小尺度波浪的预测具有卓越的精度,相对误差在 1 天的导报中保持在 5% 左右。

值得注意的是,对于大于 6 米的极端海洋波浪的预测,ViT 模型的均方根误差(RMSE)超过了 1 米。这表明,尽管模型在普通海况下表现优异,但在极端情况下的准确性仍有提升空间。

然而,在模拟台风引起的大波浪方面,ViT 模型在 1、4 和 7 天的导报中显示出色的预测性能,最大波高的预测误差仅约为 1 米。

FuXi AI 模型的创新之处在于,它综合考虑了诸如总降水等诊断性量的预测。研究团队借助 FuXi 框架进行了广泛研究,开发了一系列模型,包括 FuXi-extreme 和 FuXi-S2S。这些模型在不同预报时间尺度上都表现出色。

尽管 AI 模型为天气预报带来了巨大的希望,但在其发展过程中仍然面临一些挑战。

其中之一是数据质量控制和同化,关键在于减少对动力模型分析数据的依赖,更注重实时数据输入。同时,确保集合预报的可靠性,如何有效设计与 AI 模型特性和物理法则相一致的初值扰动方案,也是亟需解决的问题。

图|大型 AI 模型与动态模型的可能集成示意图,用来改善天气预报。

不可否认的是,AI 模型将成为未来天气预报的重要组成部分,但与传统数值天气预报模型协同发展也至关重要。它们的融合将提高我们对大气动力学的理解,为更全面、可靠的天气和气候变化预测奠定基础。

首页
评论
分享
Top