预测未来 10 天全球天气，仅需 30 秒。
这一成果来自全球中期天气预报大模型“风乌”，这也是全球气象有效预报时间首次突破 10 天，并在 80% 的评估指标上超越 DeepMind 发布的模型 GraphCast。
“风乌”基于多模态和多任务深度学习方法构建，由上海人工智能实验室联合中国科学技术大学、上海交通大学、南京信息工程大学、中国科学院大气物理研究所及上海中心气象台发布。
实验室领军科学家欧阳万里表示：
“风乌”取名自秦汉时期的“相风铜乌”，是世界上最早的测风设备。天气预报大模型‘风乌’不仅承载了中国古人的智慧，也寓意实验室致力于在以气象为代表的 AI for Science 领域勇于突破、不懈探索。
AI 大模型预报全球天气
随着全球气候变化加剧，极端天气频发，各界对天气预报的时效和精度的期待与日俱增。
过去数十年间，全球中期天气预报领域取得众多瞩目成就，但囿于气象观测的准确度，大气系统中物理过程的复杂性，以及求解大气模型所需资源规模巨大，全球中期天气预报的有效性每 10 年才提高 1 天，难以满足社会和经济的发展需求。
“风乌”提供了一个强大有效的全球中期天气预报的 AI 框架，在预报精度、预报时效和资源效率三方面都领先。
在预报精度方面，相比 DeepMind 的 GraphCast，“风乌”的 10 天预报误差降低 10.87%，而相比于传统的物理模型，其误差降低 19.4%。
在预报时效方面，根据国际常用的标准，z500 ACC 大于 0.6 时气象预报结果具有可用性，可以较好地指导预报员判断未来气象发展形势。
此前，全球范围内最好的物理模型 HRES 在此标准范围内，有效预报时长最大为 8.5 天，而“风乌”基于再分析数据达到了 10.75 天。
在资源效率方面，现有物理模型往往运行在超级计算机上，而“风乌”AI 大模型仅需单 GPU 便可运行，仅需 30 秒即可生成未来 10 天全球高精度预报结果。
据气象专家介绍，尽管目前市面上有一些产品提供未来 15 天的气象预报服务，但是 10 天以上的预报性能还具有很大不确定性，无法达到有效预报的标准。
实践证明，将观测与数值预报和人工智能相结合，可有效提升数值预报的准确性。“风乌”首次将全球气象预报的有效性提高到 10.75 天，具有很大的业务应用价值。
多模态和多任务：深度学习驱动地球科学
上海人工智能实验室 AI for Earth 联合团队提出了一种基于多模态多任务的深度学习方法用于构建 AI 天气预报模型，从而实现对全球中期天气进行快速、准确预报。
由于不需要通过复杂的物理系统仿真，AI 气象预报模型突破了传统预报方法的计算瓶颈，因此能够高效地进行预报和集成。同时 AI 对气象数据关系的强大拟合能力使其有潜力突破传统数值模式预报中的性能瓶颈。
在 AI 模型的设计和训练过程中，研究团队发现，在学习过程中，多个大气变量在优化中存在相互影响且可以看作多任务学习问题；大气数据具有高分辨率高维度大体量的特征，导致模型多步天气预测结果难以直接被优化。
“风乌”采用多模态神经网络和多任务自动均衡权重解决多种大气变量表征和相互影响的问题。其针对的大气变量包括：位势、湿度、纬向风速、经向风速、温度以及地表等。“风乌”将这些大气变量看作多模态信息，使用多模态网络结构可以更好地处理这些信息。
研究团队从多任务问题的角度出发，自动学习每个大气变量的重要性，使得多个大气变量之间能够更好地协同优化。为了优化“风乌”的多步预测结果，研究团队提出了“缓存回放”（replay buffer）策略，减少自回归预测误差，提高长期预测的性能。
下图对不同大气变量的预测结果。ACC 是用于衡量预测结果有效性的指标，数值越高，预测结果越有效（红线代表“风乌”，黑线代表 GraphCast）。
从结果上看，“风乌”在 6 到 10 天的中期预报上预报技巧显著高于 GraphCast。其中具有代表意义的 z500 达到了 10.75 天的有效预报范围（ACC＞0.6），这也是高分辨率全球中期天气预报系统首次能够对大气变量进行超过 10 天的有效预报。
未来，“风乌”AI 气象大模型可与传统的物理模型形成互补，凭借其卓越的性能和精度，为生产生活提供更准确、更实用的天气预报信息，助力天气预报数字化，为农林牧渔、航空航海等各行业及公共安全保障提供有力的支持。
据悉，上海人工智能实验室 AI for Earth 团队还将把人工智能方法应用到更广泛的气象、环境、天文、地质等地球科学问题研究中，助力“碳中和”、防灾减灾、能源安全等重大需求。
论文地址：
https://arxiv.org/abs/2304.02948
本文来自微信公众号：量子位 （ID：QbitAI），作者：允中
本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/685/152.htm]
