数值天气预报是天气预报的主流方法。它通过数值积分，对地球系统的状态进行逐网格的求解，是一个演绎推理的过程。
然而，随着天气预报分辨率不断升高，预报时间逐渐延长，NWP 模式所需要的算力迅速增加，限制了其发展。另一方面，以人工智能为基础的数据驱动天气预报快速发展，在部分领域已经超越了传统方法。
现有的机器学习天气预报精度如何？人工智能又将如何改变天气预报？本文对比了几大数据驱动的机器学习天气预报模型后，对天气预报的未来发展作出了展望。
作者 | 雪菜
编辑 | 三羊
数值天气预报：450 亿偏微分方程组
数值天气预报 (NWP, Numerial Weather Prediction) 是天气预报领域的主流方法。早在 20 世纪初，Abbe 和 Bjerknes 就提出人们可以使用物理定律预测天气，以当前的天气状况为初值，进行积分便可以求解未来的天气。但彼时对气象学的研究还不够深入，计算水平也相对落后，这一设想未能实现。
1950 年，普森林顿大学首次尝试使用第一台电子计算机进行了天气后报。1954 年，在斯德哥尔摩首次实现了实时的天气预报。
在每个网格单元中求解基于物理定律的微分方程组
直到 20 世纪 70 年代，超级计算机问世，人们方能求解 Abbe 和 Bjerknes 提出的整套方程。1979 年，欧洲中期天气预报中心 (ECMWF) 编制了首份中期天气预报，开启了综合预报系统 (IFS, Integrated Forecasting System) 的篇章。
然而，Edward N.Lorenz 总结前人的经验，提出天气系统是一个混沌系统，会因变量的细微变化而发生巨大的改变。另一方面，人们对于气象系统的初始状态也很难完全掌握。为此，学界使用集合预报 (Ensemble Forecasting) 以最大限度降低初始参数和预测模型的不确定性，预测结果的集合即为概率预报的基础。
降水概率的集合预报示意图
随着数值模型、超级计算、数据同化和集合预测等技术的发展，数值天气预报的精度不断提高，预测时间也由 3 天、5 天逐渐提升至 7 天甚至 10 天。
南、北半球 (SH, NH) 的天气预报技术随时间的演进
目前，欧洲中期天气预报中心的预报模式需要对每一水平层的 200 万个网格，以 10 分钟的步长进行 10 天的预报，每天运行 2 次。因此，他们需要在 2.5 小时内，完成约 400 亿个网格的运算，需要很高的计算成本。
高昂的计算费用阻碍了数值天气预报方法的进一步发展。如何在模型分辨率和集合规模之间找到平衡，成了限制集合预报的桎梏。
数据驱动的机器学习方法崛起
近期，数据驱动 (Data-Driven) 的机器学习 (ML, Machine Learning) 在天气预报中展现出了巨大的潜力。2022 年以来，天气预报领域的机器学习模型取得了一系列突破，部分成果可以与欧洲中期天气预报中心的高精度预测匹敌。数据驱动的天气预报推理依赖于机器学习模型，而非综合预报系统 (IFS) 中的物理模型，其预测速度较传统方法提升了几个数量级。此外，基于机器学习的天气预报是归纳推理的结果，而非传统的演绎推理。这种逻辑学的范式转变改变了天气预报的解释方式——这些结果是从以前的数据中学习而来的，因此更具说服力。
数据集：1940 年至今 0.25° 的再分析数据
数据驱动模型的出现归功于大规模、高质量的气象学开放数据集。现有的机器学习天气预报模型，训练于欧洲中期天气预报中心的第五代再分析数据，ERA5 再分析数据集。2016 年现版本综合预报系统 (IFS) 问世时，对 1940 年至今的天气数据进行了再分析，得到了分辨率 0.25° (30 km) 的 ERA5 数据集。
FourCastNet：与 IFS 精度相当的 DL 模型
2022 年，NVIDIA 发布了 FourCastNet，基于傅立叶预测神经网络，首次进行了分辨率为 0.25° 的深度学习天气预报。
FourCastNet 架构示意图
在提升分辨率的同时，FourCastNet 在异常相关系数 (ACC, Anomaly Correlation Coefficient) 和均方根误差 (RMSE, Root Mean Squared Error) 方面也没有落后传统的数值天气预报太多。
FourCastNet 与数值天气预报的 ACC 和 RMSE 对比
以节点小时 (Node-Hour) 为单位，FourCastNet 的速度大约是传统数值天气预报模型的 45,000 倍，加上其在高分辨率下的准确性，使得超大规模的集合预报成本迅速降低。
GraphCast：基于 GNN 全球中期气象预报
GraphCast 是一种基于图神经网络 (GNN) 的神经网络，采用「编码-处理-解码」配置，共有 3,670 万个参数。
编码器通过单层 GNN 将输入网格中的变量映射到内部的多网格中。
多网格是一个空间均质的图，有着全球范围的高分辨率。多网格通过 6 次迭代正二十面体（包含 12 个节点，20 个面和 30 条边）形成，每次迭代会对网格进行精细化，将单个三角形划分为 4 个较小的三角形，并将其节点投影至球体上。最终多网格包含 40,962 个节点，及精细过程中所有图形的边，形成了包含不同长度的边的层级图。
处理器使用 16 个非共享的 GNN 层，在多网格上进行消息传递。解码器使用单层 GNN， 将处理器的学习特征从多网格映射回到经纬度系统中。
GraphCast 的框架
a-c：GraphCast 的输入-预测-迭代过程；
d-f：GraphCast 的编码-处理-解码配置；
g：多网格的精细化过程。
对比欧洲中期天气预报的高分辨率预报 (HRES)，GraphCast 在 ACC 和 RMSE 上均更胜一筹。
GraphCast 和 HRES 的预测 RMSE (a&b) 和 ACC (c) 对比
在 32 台 Cloud TPU v4 设备上训练 3 周后，GraphCast 对 1979 年以来的 ERA5 数据进行了学习。随后， GraphCast 可以在 60 秒内在单台 Cloud TPU v4 设备上，生成分辨率 0.25° 间隔 6 小时的 10 日天气预报。
盘古：基于 ViT 的三维气象大模型
盘古气象大模型的输入输出均为三维的气象场。由于气象场的经纬度分布不均匀，盘古气象大模型使用了三维的 Vision Transformer (ViT) 对气象数据进行处理，精度首次超过了主流的综合预报系统 (IFS)。
三维 Vision Transformer 架构
当预测时间长于 3 天时，从 RMSE 来看，盘古气象大模型和 IFS 的性能相当，均优于训练集 ERA5。
不同模型的对 T850 和 Z500 的预测性能对比
a&b：分别为不同模型预测 T850 和 Z500 时的 RMSE；
c&d：分别为不同模型预测 T850 和 Z500 时的活动强度；
e&f：分别为不同模型预测 T850 和 Z500 时的偏差。
综上所述，数据驱动的机器学习天气预报，在预测精度上与传统的数值天气预报模式接近，然而运算设备和运算速度远超数值天气预报模型，说明 AI 天气预报在实际应用中有相当的潜力。
机器学习和数值预报 = 精度 + 速度
在天气预报的内部和外部，机器学习都在以惊人的速度不断发展。欧洲中期天气预报中心一直在关注数据驱动天气预报的快速崛起，包括 NVIDIA、华为和 Deepmind。
「FourCastNet 是第一个基于 AI 的分辨率达到 0.25° 的天气预报系统，也是第一个开源的天气预报系统。我们的新版本显著提高了模型的中期性能和长期稳定性，并希望通过神经算子框架，实现超分辨率。」NVIDIA Earth-2 团队的 Anima Anandkumar 说道。
欧洲中期天气预报中心将这些机器学习模型，和稳定的数值模型一起呈现给了用户，邀请他们从应用侧对系统的操作和性能进行评估。模型的准确性、可靠性、不确定性和交互性是评估气象产品质量和有效性的关键因素。
为此，欧洲中期天气预报中心公开了 FourCastNet、PGW 和 GraphCast 基于 IFS 初始条件的预测结果。Florian Pappenberger 表示，「开放是创新、合作和探索的关键。通过共享数据、方法和结果，进行对比和分析，就能够加速科学发展，最终造福社会。 」
三个气象 AI 的公开数据
在欧洲中期天气预报中心的对比中，可以看到基于 AI 的天气预测，在部分性能上已经可以与数值天气预报媲美，将在未来发挥着重要作用。然而，这些模型尚没有综合预测能力，这是中长期尺度上提供有价值预测的关键。
开放获取、对比优化、便携易得，AI 正将自己的优势渗透进入传统的天气预报当中。在将天气预报从超级计算机解放出来的同时，AI 在极端气候事件上也有着不俗的表现。相信 AI 能够同数值天气预报一起，革新天气的预报方式，为农林牧渔、航海航天事业的发展贡献出自己的力量。
参考链接：
[1]https://journals.ametsoc.org/...
[2]https://cir.nii.ac.jp/crid/15...
[3]https://www.nature.com/articl...
[4]https://arxiv.org/abs/2202.11214
[5]https://arxiv.org/abs/2212.12794
