将传统天气预报技术与机器学习相结合的计算机模型优于其他基于人工智能 (AI) 的工具 预测天气情景和长期气候趋势 超过了。

该工具于 7 月 22 日发布自然被描述 1，是第一个生成准确的集合天气预报的机器学习模型 - 代表一系列场景。它的开发为预测打开了大门，与现有工具相比，预测速度更快、能耗更低，并且比仅基于人工智能的方法更详细。

“传统的气候模型必须在超级计算机上运行。这是一个可以在几分钟内运行的模型，”该研究的合著者斯蒂芬·霍耶（Stephan Hoyer）说道，他在加利福尼亚州山景城的谷歌研究院研究深度学习。

当前的预报系统通常依赖于大气环流模型（GCM），这些程序依靠物理定律来模拟地球海洋和大气的过程并预测它们如何影响天气和气候。然而，GCM 需要大量的计算能力，而机器学习的进步提供了更有效的替代方案。 “我们拥有 TB 或 PB（比 GB 大一百万倍）的历史天气数据，”Hoyer 说。 “通过学习这些模式，我们可以构建更好的模型。”

已经有一些机器学习预测模型，例如由位于中国深圳的科技集团华为创建的盘古天气，以及 DeepMind 的 GraphCast 总部位于伦敦。这些模型与用于确定性预测的典型 GCM 具有相似的准确度（一种生成单一天气预报的方法）。然而，GCM 对于集合预报或长期气候预测并不那么可靠。

“纯机器学习方法的问题在于，你只能根据它已经看到的数据来训练它，”在伦敦研究所进行人工智能和环境数据研究的斯科特·霍斯金（Scott Hosking）说。 “气候在不断变化，我们正在走向未知，因此我们的机器学习模型需要推断这个未知的未来。通过将物理学融入到模型中，我们可以确保我们的模型受到物理限制，不能做任何不切实际的事情。”

混合动力车型

Hoyer 和他的团队开发并训练了 NeuralGCM，该模型“将传统基于物理的大气求解方法的各个方面与一些人工智能组件相结合”，Hoyer 说。他们使用该模型来生成短期和长期天气预报和气候预测。为了评估 NeuralGCM 的准确性，研究人员将其预测与现实世界的数据以及其他模型的输出进行了比较，包括 GCM 和纯粹基于机器学习的模型。

与当前的机器学习模型一样，NeuralGCM 可以提前一到三天生成准确的短期确定性天气预报，同时使用 GCM 所需能源的一小部分。然而，在生成超过 7 天的长期预测时，它比其他机器学习模型犯的错误要少得多。事实上，NeuralGCM 的长期预测与欧洲中期天气预报中心 (ECMWF-ENS) 集合模型的预测类似，该模型被广泛认为是 GCM 天气预报的黄金标准。

该团队还测试了该模型预测各种天气现象（例如热带气旋）的能力。他们发现，与 NeuralGCM 和 ECMWF-ENS 相比，许多纯机器学习模型产生的预测不一致且不准确。研究人员甚至将 NeuralGCM 与称为全球风暴解决模型的高分辨率气候模型进行了比较。 NeuralGCM 能够在更短的时间内产生更真实的热带气旋数量和轨迹。

霍斯金说，预测此类事件的能力“对于提高决策技能和准备策略非常重要”。

Hoyer 和他的同事希望进一步完善和调整 NeuralGCM。 “我们一直致力于研究地球系统建模的大气部分......这可能是对日常天气影响最直接的部分，”霍耶说。他补充说，该团队希望在未来的版本中融入地球科学的更多方面，以进一步提高模型的准确性。