Microsoft Start的研究团队展示了AI天气模型与传统最先进的欧洲中期天气预报中心（ECMWF）扩展范围集合的比较。他们没有使用单一类型的人工智能模型，而是将三种不同的深度学习架构组成的五种不同的训练模型组合在一起，以提前一个月产生一些有希望的预测。
1972年，数值天气预报（NWP）的先驱之一爱德华·诺顿·洛伦兹（Edward Norton Lorenz）有句名言：“在巴西，一只蝴蝶扇动翅膀，在德克萨斯州可以产生龙卷风。”这个生动的比喻旨在展示大气的混乱本质，即使是最微小的影响也可能导致不可预测的结果。科学研究表明，即使有完美的天气模型和近乎完美的数据，也很难提前一两天预测雷暴等现象。
怎样才能希望做出有用的天气预报，一直到30天呢？
不出所料，如果我们看一下NWP模型的单一模拟，这个预测在大多数时候都是非常不准确的。
NWP集成，例如由ECMWF运行的最先进的系统，需要大量的超级计算资源并产生PB级的数据。然而，人工智能研究的最新进展表明，深度学习方法可以比传统的NWP模型更快、更准确地预测天气。
与传统模型不同，传统模型除了雷暴和风湍流等其他物理过程的近似值外，还使用流体动力学物理学来计算全球天气的演变，人工智能驱动的天气预报模型从数十年的观测天气中学习，以识别模式并预测其未来的演变。
它们的运行方式与NWP模型大致相同：给定3D地球仪上的大气当前状态（纬度，经度和高度），预测未来某个时间的大气状态，例如一小时后。
然后，他们将此预测反馈到模型中，以便在两小时后进行预测，依此类推。由于这些模型可以在更粗的空间分辨率下运行，并且比等效热力学模型花费更长的时间步长，因此在单个图形处理单元（GPU）上进行仿真只需几分钟。
因此，这些模型可以更频繁地运行，以产生更多的模拟，从而获得更好的概率预测。
当使用连续排名概率得分（CRPS）指标测量温度误差时，我们开箱即用的AI集成在一周预测方面比ECMWF模型高出17%，在四周预测方面比ECMWF模型高出4%。连续排名概率得分（CRPS）是一种衡量概率预报准确性的指标，它考虑了预报的概率分布与实际观测值的概率分布之间的匹配程度。CRPS越低，表示预报的准确性越高。
随着模型运行到未来的时间越长，由于模型漂移偏差，它就越容易累积误差。在运行运营模型时，通过从过去的模拟预测或后报中学习模型的漂移方式来纠正这些系统性错误非常重要。当应用校正时，我们观察到我们的AI集合分数在第四周落后于ECMWF集合约3%。
我们还考虑了将两个集合组合成200个成员的概率预测时会发生什么。事实证明，结果比任何一个模型都要好，尽管差距很小（不显著）。
这表明人工智能集成正在预报中创造新的可变性，可以帮助捕捉更多的天气现象，如极端温度或降水，但与此同时，传统的预报方法仍然有用。
天有不测风云，人有旦夕祸福，尽管ai提高了天气预报的准确性，但还完全准确预报，我们还需要有，应对特殊恶劣天气的预案。
网友评论