盘古大模型评估：基于AI的天气预测模型能否模拟蝴蝶效应?

摘要

最近，由T. Selz和G. C. Craig进行的一项发表在GRL上的研究《Can Artificial Intelligence-Based Weather Prediction Models Simulate the Butterfly Effect?》揭示了基于AI的天气预测模型在模拟蝴蝶效应方面的局限性。通过模拟小振幅初始条件扰动引起的误差增长，该研究发现，尽管这些AI模型在较大初始扰动情况下能与基于物理的模型基本一致，但它们完全无法再现快速的初始增长率，从而错误地暗示大气层具有无限的可预测性。这种现象，即蝴蝶效应，是由于微小的初始误差迅速增长并扩散导致的，对天气预报的准确性有基本的物理限制。

实验

• 基于AI的Pangu模型

Pangu大模型是基于数据驱动的AI模型，由一个3D深度神经网络组成，经39年ERA5数据训练。包括13个压力水平和5个高空变量，及4个地面变量。所有变量定义在0.25°纬度-经度网格上，分别采用1小时、3小时、6小时、24小时四种不同时间步长网络。

• 基于PDE的ICON模型

ICON模型是基于偏微分方程的复杂数值天气预报模型，运行于具有地形跟踪高度层的二十面体网格，包含非静压动力学核心，采用简化方法估计无法通过网格分辨率很好解决的过程（例如对流、云微物理等）。

• 初始条件

研究集中于2021年6月26日00 UT时初始化的模拟，目的是研究北美洲上空的夏季大陆对流。数据使用来自ECMWF的运算微积数据初始化Pangu和ICON模型。

• 实验设置

进行了五个不同的实验，包括Pangu-100%，Pangu-0.1%，ICON-LR-100%，ICON-LR-0.1%，ICON-HR-0.1%（百分数指初始条件扰动的比例或强度。这些扰动是在天气预报模型的初始状态中引入的，以模拟实际大气中存在的不确定性和随机性。）。ICON模拟了低分辨率（LR）和高分辨率（HR）两种不同分辨率。HR实验提供对流尺度误差增长和蝴蝶效应的最佳估计。

图1 全球平均差动能随时间变化图

结果总结

• DKE 时间序列分析

100% ICON实验显示大气天气尺度动力学特征的指数增长。在0.1%实验中，ICON模型表现出了极大的初始生长速率，但随后增长速度减缓，表明大气的有限内在可预测性。相比之下，盘古模型在0.1%实验中基本上重现了100%实验的误差增长特性，但增长率较小，这可能错误地表明大气具有无限的可预测性。

• DKE的空间结构

盘古模型在不同初始条件不确定性下产生了相似的DKE结构。不同过程驱动的误差增长导致不同的结构。

• DKE光谱分析

在最初24小时内，盘古模型在较小尺度上失去了大量能量。盘古和ICON模型在较大尺度上表现出相似的增长率和光谱特征，但在小尺度上，盘古模型未能表现出蝴蝶效应的迹象。

图2  72小时后300hPa高度上的DKE全球分布图

总体结论

盘古模型在标准初始条件扰动下能够重现基本的误差增长性质，但在模拟小尺度初始条件扰动时未能展现出蝴蝶效应。这一局限可能源于神经网络只能在目前的同化不确定性范围内学习大气的近似发展，因为目前的观测和数据同化系统仍存在显著误差。尽管如此，基于AI的模型在模拟中纬度地区的平均误差增长方面表现良好，尤其是在当前初始条件不确定性水平上，仍具有生成可靠集合预报的潜力。为了改进模型，可以考虑引入随机对流方案或应用超分辨率技术来推断缺失的小尺度变异性，这些都是未来研究的有趣课题。

文章来源

https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2023GL105747?campaign=wolsavedsearch