1分鐘預(yù)測(cè)10天全球天氣！谷歌DeepMind全新AI天氣預(yù)報(bào)登上Science，碾壓行業(yè)SOTA
不到1分鐘，高精度預(yù)測(cè)出10天的全球天氣。
ChatGPT之后，又一個(gè)AI模型的能力再次驚艷了全世界！
從15日開(kāi)始，未來(lái)十天的全球天氣狀況
它就是，谷歌DeepMind團(tuán)隊(duì)提出全新的全球天氣預(yù)報(bào)模型——GraphCast，最新研究登上Science。
圖片
論文地址：https://www.science.org/doi/10.1126/science.adi2336
當(dāng)前天氣預(yù)報(bào)的主流方式就是「數(shù)值天氣預(yù)報(bào)」（NWP），使用復(fù)雜的算法求解物理方程，既耗時(shí)又昂貴。
而深度學(xué)習(xí)模型GraphCast在歐洲中期天氣預(yù)報(bào)中心 （ECMWF） 近40年的數(shù)據(jù)上進(jìn)行訓(xùn)練，來(lái)了解天氣如何隨時(shí)間演變。
圖片
研究發(fā)現(xiàn)，與行業(yè)黃金標(biāo)準(zhǔn)天氣模擬系統(tǒng)——高分辨率預(yù)報(bào)（HRES）相比，GraphCast在1380個(gè)測(cè)試變量中準(zhǔn)確預(yù)測(cè)超過(guò)90%。
而且，雖然GraphCast沒(méi)有經(jīng)過(guò)捕捉惡劣天氣事件的訓(xùn)練，還能比傳統(tǒng)預(yù)報(bào)模型更早地識(shí)別出惡劣天氣事件。
GraphCast可以預(yù)測(cè)未來(lái)氣旋的潛在路徑，比以前的方法要早3天。
預(yù)測(cè)未來(lái)氣旋
它還可以識(shí)別與洪水風(fēng)險(xiǎn)相關(guān)的大氣河流，并預(yù)測(cè)極端溫度的開(kāi)始。
預(yù)測(cè)極端溫度和大氣河流
面對(duì)大自然的無(wú)情災(zāi)害，GraphCast通過(guò)提前提供精準(zhǔn)、高效的預(yù)警，再次推動(dòng)AI在天氣預(yù)領(lǐng)域向前邁出了重要一步。
圖片
氣旋跟蹤（左）：隨著預(yù)測(cè)氣旋運(yùn)動(dòng)的提前時(shí)間增加，GraphCast保持比HRES更高的準(zhǔn)確性
大氣河流（右）：在整個(gè)10天為周期的預(yù)測(cè)中，GraphCast的預(yù)測(cè)誤差明顯低于HRES
值得一提的是，GraphCast模型的源代碼已經(jīng)全部開(kāi)放，從而讓世界各地的科學(xué)家和預(yù)報(bào)員可以造福全球數(shù)十億人。
圖片
圖為GraphCast 10天滾動(dòng)預(yù)測(cè)的一部分，顯示了700百帕（距地面約3公里）的濕度、地面溫度和地面風(fēng)速
全球最準(zhǔn)確天氣預(yù)報(bào)模型GraphCast
剛剛提到的數(shù)值天氣預(yù)報(bào)（NWP）這種傳統(tǒng)的方法，首先需要定義物理方程，然后將其轉(zhuǎn)化為在超級(jí)計(jì)算機(jī)上運(yùn)行的計(jì)算機(jī)算法。
但NWP的缺點(diǎn)是，設(shè)計(jì)方程和算法非常耗時(shí)，需要深厚的專業(yè)知識(shí)和昂貴的計(jì)算資源，才能做出準(zhǔn)確的預(yù)測(cè)。
圖片
恰好，深度學(xué)習(xí)提供了一種不同的方法：通過(guò)數(shù)據(jù)，而不是物理方程來(lái)創(chuàng)建天氣預(yù)報(bào)系統(tǒng)。
GraphCast只需要兩組數(shù)據(jù)作為輸入：6小時(shí)前的天氣狀態(tài)和當(dāng)前的天氣狀態(tài)，并預(yù)測(cè)未來(lái)6小時(shí)的天氣。
然后，該過(guò)程可以以6小時(shí)為增量向前滾動(dòng)，最多可以提前10天提供最先進(jìn)的預(yù)測(cè)。
圖片
GraphCast的背后是一個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)，基于「編碼-處理-解碼」配置中的GNN ，總共有3670萬(wàn)個(gè)參數(shù)。
圖片
代碼、權(quán)重和演示都已經(jīng)公開(kāi)在：https://github.com/google-deepmind/graphcast
編碼器（下圖D）使用單個(gè)GNN層將輸入網(wǎng)格上表示為節(jié)點(diǎn)屬性的變量（標(biāo)準(zhǔn)化為零均值單位方差）映射到內(nèi)部「多網(wǎng)格」表示上的學(xué)習(xí)節(jié)點(diǎn)屬性。
多網(wǎng)格（The multi-mesh）（下圖G）是一個(gè)空間均勻的圖，在全球范圍內(nèi)具有高空間分辨率。它是通過(guò)迭代六次細(xì)化正二十面體（12 個(gè)節(jié)點(diǎn)、20 個(gè)面、30 個(gè)邊）來(lái)定義的，其中每次細(xì)化將每個(gè)三角形劃分為四個(gè)較小的三角形（導(dǎo)致面和邊增加四倍），并將節(jié)點(diǎn)重新投影到球體上。
多網(wǎng)格包含來(lái)自最高分辨率網(wǎng)格的40962個(gè)節(jié)點(diǎn)（大約是 0.25° 處緯度/經(jīng)度網(wǎng)格點(diǎn)數(shù)量的 1/25），以及中間圖中創(chuàng)建的所有邊的并集，形成不同長(zhǎng)度的平面層次結(jié)構(gòu)的邊緣。
圖片
處理器（圖E）使用16個(gè)非共享GNN層在多重網(wǎng)格上執(zhí)行學(xué)習(xí)消息傳遞，從而以很少的消息傳遞步驟實(shí)現(xiàn)高效的本地和遠(yuǎn)程信息傳播。
解碼器（圖F）將從多網(wǎng)格表示中學(xué)習(xí)到的最終處理器層特征映射回經(jīng)緯度網(wǎng)格。它使用單個(gè)GNN層，并將輸出預(yù)測(cè)為最新輸入狀態(tài)的殘差更新（通過(guò)輸出歸一化來(lái)實(shí)現(xiàn)目標(biāo)殘差的單位方差）。
如下是，GraphCast建模的天氣變量和等級(jí)。
圖片
研究人員通過(guò)將GraphCast與HRES在大量變量、水平和交付周期上的準(zhǔn)確性進(jìn)行比較，全面驗(yàn)證 GraphCast 的預(yù)測(cè)能力。
他們使用兩個(gè)技能指標(biāo)來(lái)量化GraphCast、HRES和ML基線的各自技能：均方根誤差 (RMSE) 和異常相關(guān)系數(shù) (ACC)。
圖片
上圖（a到c）顯示了GraphCast（藍(lán)線）在Z500（500 百帕高度的位勢(shì)）「headline 」場(chǎng)上的RMSE技能、RMSE技能得分（skill score，即模型A與基線B之間的歸一化RMSE差異，定義為（RMSEA - RMSEB）/（RMSEB））和 ACC技能方面如何優(yōu)于HRES（黑線）。
由于 Z500 在氣象學(xué)上非常重要，因此使用Z500表示同步尺度氣壓分布在文獻(xiàn)中很常見(jiàn)。圖表顯示，GraphCast 在所有前導(dǎo)時(shí)間內(nèi)的技能得分都更高，技能得分提高了約 7%-14%。
上圖D以類似于ECMWF記分卡的格式總結(jié)了10天預(yù)測(cè)中所有1380個(gè)評(píng)估變量和壓力水平的RMSE技能得分。
單元格顏色與技能得分成正比，其中藍(lán)色表示GraphCast具有更好的技能，紅色表示HRES具有更高的技能。
GraphCast在1380個(gè)目標(biāo)中的90.3%上優(yōu)于HRES，并且在89.9%的目標(biāo)上顯著優(yōu)于HRES（p ≤ 0.05，標(biāo)稱樣本大小 n ∈{729, 730}）。
當(dāng)排除50 hPa水平時(shí)，GraphCast在其余1280個(gè)目標(biāo)中的96.9%上顯著優(yōu)于HRES。當(dāng)排除50和100 hPa水平時(shí)，GraphCast在1180個(gè)剩余目標(biāo)中的99.7%上顯著優(yōu)于HRES。
極端天氣預(yù)警，提前9天鎖定颶風(fēng)
研究人員的分析還表明，GraphCast還能比傳統(tǒng)預(yù)報(bào)模型更早地識(shí)別出惡劣天氣事件，盡管它沒(méi)有經(jīng)過(guò)尋找惡劣天氣事件的訓(xùn)練。
這是GraphCast未經(jīng)過(guò)專門訓(xùn)練的關(guān)鍵下游應(yīng)用，但對(duì)人類非常重要。
這說(shuō)明GraphCast可以幫助人類針對(duì)極端天氣提前做好準(zhǔn)備，減少風(fēng)暴和極端天氣對(duì)社區(qū)的影響。
通過(guò)在GraphCast預(yù)測(cè)中直接應(yīng)用簡(jiǎn)單的氣旋跟蹤器，新模型可以比HRES模型更準(zhǔn)確地預(yù)測(cè)氣旋的移動(dòng)。
今年9月，谷歌在ECMWF網(wǎng)站上部署的GraphCast模型實(shí)時(shí)公開(kāi)版本，提前約9天準(zhǔn)確預(yù)測(cè)出颶風(fēng)Lee將在Nova Scotia登陸。
圖片
相比之下，傳統(tǒng)預(yù)測(cè)在登陸地點(diǎn)和時(shí)間上的變數(shù)更大，只能提前大約6天的時(shí)間鎖定Nova Scotia。
GraphCast 還可以描述大氣河流的特征——大氣中的狹窄區(qū)域?qū)⒋蟛糠炙魵廨斔偷綗釒б酝獾牡貐^(qū)。
大氣河流的強(qiáng)度可以表明它是會(huì)帶來(lái)有益的降雨還是會(huì)引發(fā)洪水。GraphCast預(yù)測(cè)可以幫助確定大氣河流的特征，這有助于與預(yù)測(cè)洪水的人工智能模型一起制定應(yīng)急計(jì)劃。
圖片
而在氣候變暖的大環(huán)境下，預(yù)測(cè)極端溫度的重要性與日俱增。GraphCast可以描述地球上任何特定地點(diǎn)的高溫何時(shí)會(huì)超過(guò)歷史最高溫度。
這在預(yù)測(cè)熱浪方面尤其有用，因?yàn)闊崂耸且环N破壞性的危險(xiǎn)事件，而且越來(lái)越常見(jiàn)。
圖片
提高熱帶氣旋跟蹤的準(zhǔn)確性有助于避免人員傷亡，并減少經(jīng)濟(jì)損失。上圖A顯示2018年至2021年GraphCast的中位跟蹤誤差低于HRES（選擇中位值是為了抵抗異常值）。
由于HRES和GraphCast的每軌誤差是相關(guān)的，研究人員還測(cè)量了兩個(gè)模型之間的每軌配對(duì)誤差差異，發(fā)現(xiàn)GraphCast 在18小時(shí)到4.75天的交付周期內(nèi)明顯優(yōu)于HRES。
大氣河流是大氣中的狹窄區(qū)域，負(fù)責(zé)中緯度地區(qū)向極地的大部分水汽輸送，并產(chǎn)生美國(guó)西海岸30%-65%的年降水量。它們的強(qiáng)度可以通過(guò)垂直整合的水汽輸送IVT來(lái)表征，表明大氣事件是否會(huì)提供有益的降水還是引發(fā)災(zāi)難性損害。
上圖C顯示，與HRES相比，GraphCast改進(jìn)了IVT的預(yù)測(cè)，從短交付時(shí)間的25%提高到較長(zhǎng)時(shí)間范圍的10%。
極熱和極冷天氣的特點(diǎn)是與典型氣候相比存在較大異常，這可能是危險(xiǎn)的并會(huì)擾亂人類活動(dòng)。
研究人員評(píng)估了HRES和GraphCast在跨地點(diǎn)、一天中的時(shí)間和一年中的月份預(yù)測(cè)前2%氣候?qū)W事件的能力。
圖D顯示GraphCast的精確召回曲線在5天和10天的提前時(shí)間內(nèi)高于HRES，這表明GraphCast在較長(zhǎng)時(shí)間范圍內(nèi)的極端分類方面的預(yù)測(cè)通常優(yōu)于HRES。
相比之下，HRES在12小時(shí)前置時(shí)間內(nèi)具有更好的精確召回率，這與GraphCast相對(duì)于HRES的2T技能得分接近于零是一致的，如圖D所示。
AI天氣的未來(lái)，數(shù)十億人受益
谷歌DeepMind稱，GraphCast是世界上最準(zhǔn)確的10天全球天氣預(yù)報(bào)系統(tǒng)，可以比以往更遠(yuǎn)地預(yù)測(cè)未來(lái)的極端天氣事件。
隨著天氣模式在不斷變化的氣候中演變，GraphCast將隨著更高質(zhì)量數(shù)據(jù)的出現(xiàn)而發(fā)展和改進(jìn)。
與此同時(shí)，谷歌還開(kāi)源了模型的代碼。希望未來(lái)其他研究人員用其帶來(lái)的可能性，從針對(duì)特定天氣現(xiàn)象定制模型，到針對(duì)世界不同地區(qū)優(yōu)化模型。
圖片
目前，包括ECMWF在內(nèi)的氣象機(jī)構(gòu)，已經(jīng)在對(duì)GraphCast進(jìn)行實(shí)時(shí)實(shí)驗(yàn)。
另外，GraphCast與谷歌DeepMind和谷歌研究院的其他最先進(jìn)的天氣預(yù)報(bào)系統(tǒng)一起用于天氣預(yù)測(cè)。
包括Nowcasting（提前90分鐘做出預(yù)報(bào)的區(qū)域性模型），以及MetNet-3（在美國(guó)和歐洲運(yùn)行的區(qū)域天氣預(yù)報(bào)模型，可做出比其他任何系統(tǒng)都更準(zhǔn)確的24小時(shí)預(yù)報(bào)）。
如果我們能夠率先將AI用于天氣預(yù)報(bào)，將使數(shù)十億人的日常生活受益。
但是，谷歌表示，「我們更廣泛的研究不僅僅是關(guān)于預(yù)測(cè)天氣，而是關(guān)于了解人類氣候的更廣泛模式。
通過(guò)開(kāi)發(fā)新工具和加速研究，谷歌希望AI能夠增強(qiáng)全球社會(huì)應(yīng)對(duì)最大環(huán)境挑戰(zhàn)的能力。
圖片
在看了研究介紹之后，網(wǎng)友表示，谷歌你快出個(gè)應(yīng)用啊！
圖片
對(duì)于天氣預(yù)報(bào)的能力，很多網(wǎng)友表示，現(xiàn)在已經(jīng)可以期望預(yù)報(bào)的精細(xì)度到不同街道，并且精確到分鐘了。
圖片
參考資料：
