来源:图科学实验室Graph Science Lab
本文约2700字,建议阅读5分钟
本文为你一种最先进的人工智能模型,能够以前所未有的准确度进行中期天气预报。
我们最先进的模型在一分钟内以前所未有的准确度提供 10 天的天气预报。
天气以大大小小的方式影响着我们所有人。它可以决定我们早上的着装,为我们提供绿色能源,并且在最坏的情况下,会引发可能摧毁社区的风暴。在极端天气日益严重的世界中,快速准确的预报变得前所未有的重要。
在《科学》杂志上发表的一篇论文(https://www.science.org/stoken/author-tokens/ST-1550/full)中,我们介绍了 GraphCast,这是一种最先进的人工智能模型,能够以前所未有的准确度进行中期天气预报。
GraphCast 最多可以提前 10 天预测天气状况,比行业黄金标准天气模拟系统 - 由欧洲中期天气预报中心 (ECMWF) 制作的高分辨率预报 (HRES) 更准确、更快。
GraphCast 还可以提供极端天气事件的早期预警。它可以非常准确地预测未来的气旋轨迹,识别与洪水风险相关的大气河流,并预测极端气温的出现。这种能力有可能通过加强准备来拯救生命。
GraphCast 在人工智能天气预报领域向前迈出了重要一步,提供更准确、更高效的预报,并为支持对我们行业和社会需求至关重要的决策开辟了道路。而且,通过开源 GraphCast 的模型代码(https://github.com/google-deepmind/graphcast),我们使世界各地的科学家和预测者能够使数十亿人的日常生活受益。GraphCast 已被包括 ECMWF 在内的气象机构使用,该机构正在其网站上对我们的模型预测进行实时实验(https://charts.ecmwf.int/products/graphcast_medium-mslp-wind850)。
GraphCast 的 10 天预测精选显示了 700 百帕斯卡(地表以上约 3 公里)的比湿度、地表温度和地表风速。
全球天气预报的挑战
天气预报是最古老、最具挑战性的科学事业之一。中期预测对于支持从可再生能源到活动物流等跨部门的关键决策非常重要,但很难准确有效地进行。
预测通常依赖于数值天气预报(NWP),它从仔细定义的物理方程开始,然后转化为在超级计算机上运行的计算机算法。虽然这种传统方法是科学和工程的胜利,但设计方程和算法非常耗时,并且需要深厚的专业知识以及昂贵的计算资源才能做出准确的预测。
深度学习提供了一种不同的方法:使用数据而不是物理方程来创建天气预报系统。GraphCast 经过数十年历史天气数据的训练,以学习控制地球天气从现在到未来如何演变的因果关系模型。
至关重要的是,GraphCast 和传统方法齐头并进:我们使用来自ECMWF的ERA5数据集的四十年天气再分析数据来训练GraphCast。该宝库基于卫星图像、雷达和气象站等历史天气观测结果,使用传统的数值天气预报来“填补观测结果的空白”,从而重建全球历史天气的丰富记录。
GraphCast:天气预报的人工智能模型
GraphCast 是一种基于机器学习和图神经网络 (GNN) 的天气预报系统,这是处理空间结构化数据特别有用的架构。
GraphCast 以 0.25 度经度/纬度(赤道处 28 公里 x 28 公里)的高分辨率进行预测。超过一百万个网格点覆盖了整个地球表面。在每个网格点,该模型预测 5 个地球表面变量(包括温度、风速和风向以及平均海平面压力)以及 37 个海拔高度中每个高度的 6 个大气变量,包括比湿度、风速和风向以及温度。
虽然 GraphCast 的训练计算量很大,但生成的预测模型非常高效。在一台 Google TPU v4 机器上使用 GraphCast 进行 10 天预测只需不到一分钟。相比之下,使用传统方法(例如 HRES)进行 10 天的预测可能需要在拥有数百台机器的超级计算机中进行数小时的计算。
在针对黄金标准确定性系统 HRES 的综合性能评估中,GraphCast 对 1380 个测试变量中的 90% 以上提供了更准确的预测,并预测了交付时间(有关详细信息,请参阅我们的Science 论文(https://www.science.org/stoken/author-tokens/ST-1550/full)。当我们将评估限制在对流层(距离地球表面最近的 6-20 公里高的大气层区域,准确的预测最为重要)时,我们的模型在 99.7% 的未来天气测试变量上优于 HRES。
对于输入,GraphCast 只需要两组数据:6 小时前的天气状态和当前的天气状态。然后该模型预测未来 6 小时的天气。然后,该过程可以以 6 小时为增量向前滚动,最多可以提前 10 天提供最先进的预测。
更好地预警极端天气事件
我们的分析表明,GraphCast 还可以比传统预测模型更早地识别恶劣天气事件,尽管没有经过培训来寻找它们。这是 GraphCast 如何帮助做好准备、拯救生命并减少风暴和极端天气对社区影响的一个典型例子。
通过将简单的气旋跟踪器直接应用于 GraphCast 预测,我们可以比 HRES 模型更准确地预测气旋运动。9 月份,ECMWF 网站上部署的公开 GraphCast 模型的实时版本提前约 9 天准确预测了飓风李将在新斯科舍省登陆。相比之下,传统预报对于登陆地点和时间的可变性更大,并且只能提前大约六天锁定新斯科舍省。
GraphCast 还可以表征大气河流——将大部分水蒸气转移到热带地区之外的狭窄大气区域。大气河流的强度可以表明它是否会带来有益的降雨或引发洪水的洪水。GraphCast 预报可以帮助描述大气河流的特征,这可以帮助规划应急响应以及人工智能模型来预测洪水(https://sites.research.google/floodforecasting/)。
最后,在我们变暖的世界中,预测极端温度变得越来越重要。GraphCast 可以表征地球上任何给定位置的热量何时升至历史最高温度以上。这对于预测越来越常见的热浪、破坏性和危险事件特别有用。
严重事件预测 - GraphCast 和 HRES 的比较。
左:旋风跟踪表演。随着预测气旋运动的提前时间增加,GraphCast 保持比 HRES 更高的准确性。
右:大气河流预测。在整个 10 天预测中,GraphCast 的预测误差明显低于 HRES。
天气人工智能的未来
GraphCast 现在是世界上最准确的 10 天全球天气预报系统,可以比以前更准确地预测未来的极端天气事件。随着天气模式在气候变化中的演变,GraphCast 将随着更高质量的数据的出现而发展和改进。
为了使人工智能天气预报变得更容易,我们开源了模型的代码(https://github.com/google-deepmind/graphcast)。ECMWF 已经在试验 GraphCast 的 10 天预报(https://charts.ecmwf.int/products/graphcast_medium-mslp-wind850),我们很高兴看到它为研究人员带来的可能性 - 从针对特定天气现象定制模型到针对世界不同地区进行优化。
GraphCast 加入了 Google DeepMind 和 Google Research 的其他最先进的天气预报系统,包括可提前 90 分钟进行预报的区域即时预报模型(https://deepmind.google/discover/blog/nowcasting-the-next-hour-of-rain/),以及已在美国各地运行的区域天气预报模型MetNet-3(https://blog.research.google/2023/11/metnet-3-state-of-art-neural-weather.html)欧洲的 24 小时预报比任何其他系统都更准确。
率先在天气预报中使用人工智能将使数十亿人的日常生活受益。但我们更广泛的研究不仅仅是预测天气,而是了解更广泛的气候模式。通过开发新工具和加速研究,我们希望人工智能能够帮助国际社会应对我们面临的最大的环境挑战。
编辑:于腾凯
校对:林亦霖