介绍：来自 Google DeepMind 的由 AI 驱动的中程天气预报

据一项新研究披露，与现有的方法相比，Google DeepMind 的一种基于机器学习的天气预报模型可以提供为期 10 天的更好、更快、更易获取的天气预报。该模型被称为“GraphCast”，它在九成的测试案例中的表现优于传统的预报系统。尽管没有接受过直接的有关极端事件的预测训练，但它在与极端事件相关的预测中也表现良好。作者写道：“我们相信，它标志了天气预报的一个转折点。”天气预报当今的黄金标准法是“数值天气预报”（NWP）。NWP 模型的准确性虽然在过去的几十年中得到大幅改善，但它们成本高昂、复杂且对计算的要求高，因此需要增加计算资源来提高其预测的准确性。基于机器学习的天气预报 (MLWP) 可以通过对历史数据进行训练来提供另选方案。此外，MLWP 还可以利用现代深度学习硬件来提高效能。

由 Remi Lam 领导的 DeepMind 研究人员在此推出了 GraphCast，这是一种基于机器学习的中程天气预报法，后者可通过对过去大气条件的再分析数据而得到直接训练。作为一种神经网络的实施形式，它可以在一分钟内在单个 TPU 芯片上生成为期 10 天的准确天气预报。用地球天气的两个最新状态（即当前时间和六小时前）作为其输入数据，GraphCast 可预测下一个含括未来六小时的天气状态，从而能以大约 0.25 纬度/经度分辨率的覆盖范围提供全球性天气预报。为了生成轨迹更长的天气状态，这些预测可作为输入数据而被反馈到该模型之中。为评估 GraphCast 的预测能力，Lam 等人就 GraphCast 的准确性与 HRES（即目前所用的最准确的确定性中程天气预报模型）在大量天气变量和前导时间上进行了对比。他们发现，在 1380 个验证目标中，GraphCast 显著优于 HRES的达九成。更重要的是，尽管未经过专门训练，但该平台能够更好地预测严重气候事件，其中包括热带气旋路径、大气河（即大气中造成水蒸气显著极向输送的狭窄区域）和极端温度异常。作者说：“我们的方法不应被视作是传统天气预报法的一种替代手段。相反，我们的研究应被解读为是 MLWP 能够应对现实世界天气预测挑战的证据，它具有补充和改进当前最佳天气预测方法的潜力。”