天气预报是如今生活中重要的工具之一，但气候系统的难预测性导致天气预报的准确性较低，这也是一直以来困扰着科学家们的问题。如今，研究人员基于人工智能开发出了一种更加准确的中程全球天气预报方法，相关内容7月5日发表于《自然》杂志上。
　　天气预报是科学计算的重要应用，旨在预测未来的天气变化，特别是在极端天气事件方面。在过去的十年中，高性能计算系统大大加速了数值天气预报（NWP）方法领域的研究。传统的NWP方法主要关注使用偏微分方程（PDE）描述大气状态离散网格之间的跃迁，然后通过数值模拟求解它们。这些方法通常很慢；在具有数百个节点的超级计算机上，对十天预测的单个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，其中的错误会通过近似引入。
　　深度学习的快速发展开拓了一个新的方向，科学界将其称为基于人工智能（AI）的方法。这里的方法是训练一个深度神经网络来捕获输入（重新分析给定时间点的天气数据）和输出（重新分析目标时间点的天气数据）之间的关系。在图形处理单元（GPU）等专用计算设备上，基于AI的方法非常快。举一个最近的例子，FourCastNet只需7秒即可计算出100个成员的24小时预测，这比传统的NWP方法快几个数量级。然而，FourCastNet的准确性仍然不尽如人意；其5天Z500（500hPa地势）预报的均方根误差（RMSE）为484.5，远高于欧洲中期天气预报中心（ECMWF）运营综合预报系统（IFS）报告的333.7。在最近的一项调查中显示，研究人员一致认为人工智能具有巨大的潜力，但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”。
　　因此，研究人员开发了Pangu-Weather，这是一个强大的基于AI的天气预报系统，可针对所有测试的天气变量根据再分析数据产生比操作IFS更强的确定性预报结果。首先，将信息集成到一个新的维度中，以便深度神经网络的输入和输出可以在三个维度上概念化。研究人员进一步设计了一个三维（3D）地球专用（3DEST）架构，将地球特定的模型注入深度网络。实验表明，与FourCastNet等二维模型相比，通过将高度公式化为单个维度，3D模型能够捕获不同压力水平下大气状态之间的关系，从而产生显著的精度提升。其次，研究人员应用了一种分层时间聚合算法，该算法涉及训练一系列模型，并增加预测提前期。因此，在测试阶段，中期天气预报所需的迭代次数大大减少，累积预报的误差得到降低。第五代ECMWF再分析（ERA5）数据实验验证了Pangu-Weather擅长确定性预报和极端天气预报，同时比目前使用的IFS快10000倍以上。
　　基于人工智能的方法为天气预报提供了一条补充途径。人工智能的前沿技术在于深度学习，它可以从丰富的训练数据中学习输入和输出数据之间的复杂关系，而无需知道实际的物理过程或公式。在天气预报领域，基于AI的方法首先应用于基于雷达数据的降水预报问题，受初始条件影响很大的传统方法被基于深度学习的方法所取代。深度神经网络强大的学习能力成功解决了这些问题，这进一步鼓励研究人员深入研究中期天气预报。作为NWP方法的更快补充或替代，最先进的深度学习方法主要依赖于大型模型（即具有大量可学习参数）从训练数据中学习复杂的模式。
　

（彪轶辰）