一项古老的挑战
天气对我们所有人都有着或大或小的影响，它小到决定着我们每日的穿着，大到可以制造摧毁整片社区的风暴。在一个极端天气日益增多的世界里，快速、准确地预报天气，变得前所未有的重要。然而，这却是最古老也是最具挑战性的科学工作之一。
如今，随着研究、数据和计算方面的稳步发展，虽然提前两天的暴雨预报已经变得和20世纪90年代中期的当日预报一样准确，但现代天气预报系统仍面临诸多重大挑战。例如，我们仍然难以预测产生龙卷风、大冰雹或大暴雨的雷暴；对许多社会和经济领域的决策都至关重要的中期天气预报（未来3~10天），也难以做到准确有效；另外，由于混沌的存在，我们基本上无法作出超过10天的精确预测。
近日，一项新发表于《科学》杂志的研究表明，谷歌的DeepMind团队开始涉足天气预报这门深奥的科学，他们开发了一个被称为GraphCast的机器学习模型，该模型可以在一分钟内，以前所未有的精度提供未来10天的天气预报。在预测天气这项任务上，GraphCast超越了目前最好的传统方法和其他人工智能方法。
最先进的天气模型
一个世纪前，英国数学家刘易斯·弗莱·理查德森（Lewis Fry Richardson）就提出了一个在当时看来惊世骇俗的想法：构建一个基于数学的系统化过程来预测天气。但他并没有如愿，主要是因为当时人们对大气科学的了解还远远不够。
一个世纪后的今天，我们的现代天气预报正是基于理查德森所想象的那种复杂计算。完成这些预测工作的主要工具就是数值天气预测模型。这些模型使用来自气象站、气象卫星等可以对当前的大气状态进行密切观测的工具的数据，然后基于这些数据解出那些支配着空气运动的物理学方程。接着，模型会将这些方程转换为可以在超级计算机上运行的计算机算法。
这种传统方法虽然非常成功，但设计这些方程和算法的过程非常耗时，而且需要深厚的专业知识和昂贵的计算资源来做出准确的预测。
深度学习提供了一种不同的方法：使用数据而非物理学方程来创建天气预报系统。新研究所描述的GraphCast就是这样一个基于机器学习和图神经网络（GNN）的天气预报系统，它在处理空间结构化数据方面非常高效。
GraphCast能够以0.25°经纬度（赤道面积28km× 28km）的高分辨率，在覆盖了地球表面的100多万个网格点上进行全球天气预报。在每个网格点上，模型预测5个地球表面变量，包括温度、风速、风向、平均海平面压力，以及37个不同海拔高度上的6个大气变量，包括比湿、风速、风向、温度。
研究人员用40年的历史天气数据对GraphCast进行了训练。经过密集的训练，最终GraphCast可以在谷歌的一台超级计算机TPU V4上，以不到一分钟的时间预测10天的天气。相比之下，用传统方法进行10天的天气预报，可能需要在一台拥有数百台机器的超级计算机上进行数小时的计算。
GraphCast只需要两组数据来完成输入：6小时前的天气状态和当前的天气状态。然后，模型将预测未来6小时的天气。接着，这个过程可以以6小时的增量向前滚动，提供10天的精确预测。（图/Lam el al. / Science）
在一项综合性能评估中，研究人员将GraphCast与世界上确定性最高的高分辨率预报（HRES）系统进行了比较，发现GraphCast对1380个测试变量中的90%以上都作出了更准确的预测。当他们将评估限制在对准确预测最为重要的对流层（最接近地表的6~20km的大气区域）时，GraphCast在99.7%的对未来天气的测试变量上都优于HRES。
对极端天气事件的预警
研究结果表明，GraphCast还可以比传统的预报模型更早地识别恶劣天气事件，即便它并没有接受过专门的训练来寻找这些事件。这意味着GraphCast有助于我们为拯救生命、减少风暴和极端天气对社区的恶劣影响做好准备。
通过将一个简单的气旋跟踪器直接应用到GraphCast预报中，GraphCast就可以比HRES模型更准确地预测气旋运动。GraphCast还可以描绘大气河流的特征，大气河流的强度可以表明它带来的是有益降雨还是会引发洪灾的洪水。GraphCast的预测可以帮助气象学家描述大气河流的特征、预测洪水，帮助人们规划应急措施。
在这个不断变暖的世界里，预测极端温度也变得越来越重要。GraphCast可以描述地球上任何地点的温度何时会超过历史最高温。这在预测那些正在变得越来越普遍的热浪、破坏性和危险事件方面，尤为有用。
预测天气的未来
现在，GraphCast是世界上最准确的10天全球天气预报系统，它可以比过去的模型更深入地预测未来的极端天气事件。随着气候的变化，天气模式也在不断变化，GraphCast也将随着更高质量的数据而不断改进。
在天气预报中率先使用人工智能将使数十亿人在日常生活中受益。但研究人员表示，他们更广泛的研究不仅仅是预测天气，还包括了解更广泛的气候模式。通过开发新的工具，研究人员希望人工智能可以帮助我们更好地面临日益严峻的环境挑战。
参考来源
https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/
https://www.science.org/doi/10.1126/science.adi2336
https://theconversation.com/ai-and-machine-learning-are-improving-weather-forecasts-but-they-wont-replace-human-experts-182498
本文来自微信公众号：原理 （ID：principia1687），作者：小雨