作家｜马雪薇【BS-008】のどちんこ責め M女りな2015-02-27RASH&$ビザールスタイル82分钟

来自全国景色组织（WMO）的数据披露，在畴昔 50 年里，平均每一天都会发生一场与天气、局势或水灾联系的灾害，而每一场灾害平均会酿成约 115 东说念主弃世、约 2.02 亿好意思元的经济亏损。

更令东说念主唏嘘的是，连年来，由东说念主类举止加快的局势变化，更是使得热浪、寒潮、强降水、干旱等极点天气和局势灾害额外频发。

因此，实时、准确的天气展望和局势模拟不仅不错每年匡助搭救数万东说念主的人命，还概况裁汰极点天气和局势事件对东说念主类社会和生态系统的凄沧性影响。

如今，由 Google Research 斟酌团队稀奇相助者开垦的东说念主工智能（AI）模子 NeuralGCM，将天气展望和局势模拟晋升到了一个新的高度——

NeuralGCM 对 1-15 天预告的准确率，忘形欧洲中期天气预告中心（ECMWF），后者领有全国上起初进的传统物理天气预告模子；

对提前 10 天预告的准确率，NeuralGCM 与现存其他 AI 模子性能很是，致使更好；

加入海平面温度后，NeuralGCM 的 40 年局势展望限制，与从 ECMWF 数据中发现的人人变暖趋势一致；

NeuralGCM 在展望气旋稀奇轨迹方面也进步了现存的局势模子。

值得一提的是，NeuralGCM 不仅在准确度方面达到致使进步了现存传统数值天气预告模子和其他机器学习（ML）模子；在速率上亦然“遥遥起始”，不错在 30 秒规画时天职生成 22.8 天大气模拟；且不错比传统模子勤俭数目级的规画量。

相关斟酌论文以“Neural general circulation models for weather and climate”为题，已发表在泰斗科学期刊 Nature 上。

这些限制共同标明，NeuralGCM 不错生成敬佩性天气、天气和局势的皆集预告，在长久天气和局势模拟方面披露馅了弥漫的知晓性。

斟酌团队合计，这种端到端深度学习与传统大气环流模子（GCM，表征大气、海洋和陆地的物理历程，是天气和局势展望的基础）所奉行的任务是兼容的，且概况增强对领会和展望地球系统至关进军的大范围物理模拟。

此外，NeuralGCM 的搀和建模要害还不错应用于其他科学界限，比如材料发现、卵白质折叠和多物理工程瞎想等。

果真成果怎样样？

减少长久预告的不敬佩性以及估算极点天气事件，是领会局势缓解和适应的要害。

ML 模子一直被合计是天气展望的一种替代技巧，具有勤俭算力资本的上风，致使在敬佩性天气预告方面仍是达到或进步了大气环流模子的水平，但在长久预告的阐发频频不如大气环流模子。

在这项责任中，斟酌团队辘集机器学习和物理要害瞎想了 NeuralGCM，诈欺 ML 组件替换或蜕变 GCM 中的传统物理参数化有野心，由以下几个要害部分构成：

可微分的能源中枢：该中枢厚爱求解龙套化的能源方程，模拟大范例流体通顺和热力学历程，受重力、科氏力和其他要素影响。能源中枢使用水平伪谱龙套化和垂直 sigma 坐标【BS-008】のどちんこ責め M女りな2015-02-27RASH&$ビザールスタイル82分钟，并使用 JAX 库罢了，守旧自动微分。它模拟七个预告变量：水平风涡度、水平风散度、温度、地表压力和三种水物资（比湿、冰云水含量和液态云水含量）。

学习物理模块：该模块使用 GCM 中的单柱要害，仅使用单个大气柱的信息来展望该柱内未领会历程的影响。它使器用有残差衔接的全衔接神经网罗，并在统共大气柱之间分享权重。神经网罗的输入包括大气柱中的预告变量、总入射太阳发射、海冰浓度和海表温度，以及预告变量的水平梯度。神经网罗的输出是预告变量趋势，按野心字段无要求范例差进行缩放。

编码器妥协码器：由于 ERA5 数据存储在压力坐标中，而能源中枢使用 sigma 坐标系统，因此需要编码器妥协码器进行诊治。这些组件奉行压力水温和 sigma 坐标水平之间的线性插值，并使用与学习的物理模块疏通的神经网罗架构进行蜕变。编码器不错摒除运行化冲击引起的重力波，从而幸免欺凌展望限制。

图｜NeuralGCM 模子架构。NeuralGCM 辘集了传统的流体能源学求解器和用于小范例物理的神经网罗。这些组件由微分方程求解器组合而成，在时分前顺次上前鼓动系统。（开首：Google Research）

限制披露，NeuralGCM 在天气展望方面展现出强大的才略，在超短期、短期和中期时分范例上与起初进的模子相忘形。如下：

超短期展望（0-1 天）

泛化才略：与 GraphCast 比较，NeuralGCM 在未经锤真金不怕火的天气要求下阐发更好，因为它使用局部神经网罗来展望大气垂直柱中的物理历程。

短期展望（1-10 天）

准确性：在 1-3 天的短期展望中，NeuralGCM-0.7° 和 GraphCast 的阐发最好，准确跟踪天气步地的变化。

物理一致性：与其他机器学习模子比较，NeuralGCM 的展望愈加明晰，幸免了物理上不一致的空洞展望。

可解释性：通过会诊降水减去挥发，NeuralGCM 的限制更具可解释性，通俗进行水资源分析。

地转风均衡：与 GraphCast 比较，NeuralGCM 更准确地模拟了地转风和地转风的垂直结构稀奇比率。

中期展望（7-15 天）

皆集预告：NeuralGCM-ENS 在 1.4° 分辩率下的皆集平均 RMSE、RMSB 和 CRPS 破绽均低于 ECMWF-ENS，标明其概况更好地捕捉可能的天气平均景色。

可校准性：NeuralGCM-ENS 的皆集预告与 ECMWF-ENS 一样，具有约莫 1 的发散率-技术比，这是校准预告的必要要求。

此外，除了在天气展望方面阐发出色，NeuralGCM 在局势模拟方面也展现出了强大的才略，表当今季节轮回模拟、热带气旋模拟和历史温度趋势模拟等方面。如下：

季节轮回模拟

准确性：NeuralGCM 概况准确地模拟季节轮回，包括人人可降水和人人总动能的年度轮回，以及哈德利环流和经向平均风等要害大气能源学。

与人人云分辩模子的比较：与人人云分辩模子 X-SHiELD 比较，NeuralGCM 在可降水方面的偏差更小，况兼在热带地区具有更低的温度偏差。

热带气旋模拟

轨迹和数目：即使在 1.4° 的不祥分辩率下，NeuralGCM 也能产生与 ERA5 相似的热带气旋轨迹和数目，而人人云分辩模子 X-SHiELD 在 1.4° 分辩率下却低估了热带气旋数目。

历史温度趋势模拟

AMIP 模拟：NeuralGCM-2.8° 进行了 40 年的 AMIP 模拟，限制标明，统共模拟均准确地捕捉了 ERA5 数据中不雅察到的人人变暖趋势，况兼年际温度趋势与 ERA5 数据具有强相关性，标明 NeuralGCM 概况有用地模拟海温将就对局势的影响。

与 CMIP6 模子的比较：与 CMIP6 AMIP 模子比较，NeuralGCM-2.8° 在 1981-2014 年时间的温度偏差更小，即使在摒除了 CMIP6 AMIP 模子的人人温度偏差之后，这一限制仍然成就。

图｜NeuralGCM 在十年时分范例上的准确性和捕捉人人变暖的才略。NeuralGCM 和 AMIP 在展望 1980 年至 2020 年人人平均气温方面的阐发比较。（开首：Google Research）

尽管 NeuralGCM 在天气和局势展望方面展现了强大的才略，但它仍然存在一些局限性。

起始，NeuralGCM 展望将来局势的才略有限。NeuralGCM 咫尺无法展望与历史局势彰着不同的将来局势。当海表温度（SST）加多幅度较大时（比如 +4K），NeuralGCM 的反馈与预期不符，并出现局势漂移征象。

其次，NeuralGCM 模拟未不雅测局势的才略不及。与其他机器学习局势模子雷同，NeuralGCM 也靠近着模拟未不雅测局势的挑战，比如将来局势或与历史数据各异较大的局势。这需要模子具备更强的泛化才略，以及更先进的锤真金不怕火战术，比如抗拒锤真金不怕火或元学习。

然后，NeuralGCM 还存在物理敛迹和数值知晓性问题。举例，NeuralGCM 的谱漫衍仍然比 ECMWF 物理预告空洞，且在模拟热带极点事件方面存在低估征象。这需要进一步斟酌和改进模子的物理历程参数化和数值要害，以提高模子的物理一致性和数值知晓性。

终末，阑珊与其他地球系统组件的耦合。咫尺 NeuralGCM 仅模拟大气系统，而局势系统是一个复杂的互相作用系统，包括海洋、陆地、冰雪和生物圈等。要进行更全面的局势模拟，NeuralGCM 需要与这些组件进行耦合，并斟酌它们之间的互相作用。这需要开垦新的模子架构和锤真金不怕火战术，以罢了多物理场耦合模拟。

传统天气展望、局势模拟，正被 AI 颠覆

在天气展望和局势模拟方面，NeuralGCM 并非“先驱”。

在畴昔几年中，包括华为、谷歌和清华大学等在内的科技公司和高校在这一标的均获得了要紧进展。

2023 年 7 月，由华为云开垦的盘古景色（Pangu-Weather）模子登上了 Nature，其使用 39 年的人人再分析天气数据手脚锤真金不怕火数据，展望准确率与人人最好的数值天气预告系统 IFS 很是，且在疏通的空间分辩率下比 IFS 系统快 10000 倍以上。

同期发表在 Nature 上的另一篇论文则先容了 NowcastNet，其出自机器学习界限泰斗、加州大学伯克利分校证明 Michael Jordan 和清华大学证明王建民指导的斟酌团队，该模子不错辘集物理划定和深度学习，进行实时预告降水。

2023 年 11 月，Google DeepMind 推出了一款基于机器学习的天气展望模子——GraphCast，在人人 0.25° 的分辩率下，该模子不错在一分钟内展望将来 10 天的数百个天气变量，显耀优于传统景色预告要害，同期在展望极点事件方面阐发考究。相关斟酌论文已发表在泰斗科学期刊 Science 上。

本年 3 月，相通来自 Google Research 团队开垦的 AI 模子，打败了起初进人人激流预警系统，其诈欺现存的 5680 个测量仪进行锤真金不怕火，可展望未测量流域在 7 天展望期内的日径流。

如今，传统的天气展望和局势模拟正在被 AI 颠覆。在将来【BS-008】のどちんこ責め M女りな2015-02-27RASH&$ビザールスタイル82分钟，AI 将进一步加快景色展望的速率和精度，造福全东说念主类。