Nature | 2篇！华为云田奇及清华大学王建民/龙明盛开发新的方法，更好更快地进行天气预测

天气预报对科学和社会都很重要。目前，最准确的预报系统是数值天气预报（NWP）方法，但是，此过程的计算成本很高。最近，基于人工智能的方法在加速天气预报方面显示出数量级的潜力，但预报精度仍明显低于NWP方法。

2023年7月5日，深圳华为云田奇团队在Nature 在线发表题为“Accurate medium-range global weather forecasting with 3D neural networks”的研究论文，该研究介绍了一种基于人工智能的方法，Pangu-Weather，可以利用3D神经网络进行准确的中程全球天气预报。

该研究表明配备了地球特定先验的三维深度网络在处理天气数据中的复杂模式方面是有效的，并且分层时间聚合策略减少了中期预报的累积误差。与欧洲中期天气预报中心(ECMWF)的全球综合预报系统NWP系统相比，该研究的Pangu-Weather程序在39年的全球数据训练下，在所有测试变量的再分析数据上获得了更强的确定性预报结果。该方法也适用于极端天气预报和集合预报。再分析数据初始化后，对热带气旋的跟踪精度也高于ECMWF-HRES。

另外，2023年7月5日，清华大学王建民、龙明盛及美国加州大学Michael I. Jordan共同通讯在Nature 在线发表题为“Skilful nowcasting of extreme precipitation with NowcastNet”的研究论文，该研究提出了一种极端降水的非线性近播模型NowcastNet，它将物理演化方案和条件学习方法统一到一个具有端到端预测误差优化的神经网络框架中。基于美国和中国的雷达观测，该模型产生了物理上可信的降水临近预报，在2048公里× 2048公里的区域内具有明显的多尺度模式，提前时间可达3小时。在62位来自全国各地的专业气象学家的系统评估中，该模型在71%的案例中排名第一。NowcastNet提供了小到强降雨率的精确预报，特别是对伴随平流或对流过程的极端降水事件，这些事件以前被认为是难以处理的。

天气预报是科学计算的一个重要应用，旨在预测未来的天气变化，特别是关于极端天气事件。在过去的十年中，高性能计算系统极大地促进了数值天气预报方法领域的研究。传统的NWP方法主要是利用偏微分方程(PDEs)描述大气状态离散网格之间的转换，然后用数值模拟方法求解。这些方法往往是缓慢的。在一台拥有数百个节点的超级计算机上，一次为期10天的预报模拟可能需要数小时的计算。此外，传统的NWP算法在很大程度上依赖于参数化，它使用近似函数来捕获未解决的过程，其中可能通过近似引入错误。

深度学习的快速发展带来了一个很有前途的方向，科学界称之为基于人工智能(AI)的方法。方法是训练一个深度神经网络来捕获输入(在给定时间点重新分析天气数据)和输出(在目标时间点重新分析天气数据)之间的关系。在图形处理单元(GPUs)等专门的计算设备上，基于人工智能的方法非常快。例如，FourCastNet2只需要7秒就可以计算出100个成员的24小时预报，这比传统的NWP方法快了几个数量级。然而，FourCastNet2的准确性仍然不能令人满意；其5天Z500 (500 hPa位势)预报的均方根误差(RMSE)为484.5，远低于欧洲中期天气预报中心(ECMWF)业务综合预报系统(IFS)报告的333.7。在最近的一项调查中，研究人员同意人工智能具有巨大的潜力，但承认在基于人工智能的方法击败NWP之前需要一些根本性的“突破”。

网络训练和推理策略（图源自Nature ）

该研究介绍了Pangu-Weather，这是一个基于人工智能的功能强大的天气预报系统，在针对再分析数据的所有测试天气变量上，它比运行的IFS产生更强的确定性预报结果。该研究的技术贡献是双重的。首先，作者将高度信息整合到一个新的维度中，这样的深度神经网络的输入和输出就可以在三维空间中概念化。研究人员进一步设计了一个三维(3D)地球特定变压器(3DEST)架构，将地球特定先验注入到深层网络中。该研究表明，与FourCastNet2等二维模型相比，3D模型通过将高度表述为单个维度，能够捕捉不同压力水平下大气状态之间的关系，从而获得显著的精度提升。

其次，作者应用了一种分层时间聚合算法，该算法涉及训练一系列预测提前期增加的模型。因此，在测试阶段，大大减少了中期天气预报所需的迭代次数，减轻了累积预报误差。在第五代ECMWF再分析(ERA5)数据上的实验验证了Pangu-Weather在确定性预报和极端天气预报方面的优势，同时速度比实际IFS快10000倍以上。Pangu-Weather揭示了在各种下游应用中使用大型预训练模型的潜力，显示出与其他人工智能领域相同的趋势，如计算机视觉、自然语言处理、跨模态理解等。

原文链接：

https://www.nature.com/articles/s41586-023-06185-3

https://www.nature.com/articles/s41586-023-06184-4

转自：“iNature”微信公众号

如有侵权，请联系本站删除！