华盛顿大学的新研究正在使用深度学习完善 AI 天气模型，以实现更准确的预测和更长期的预测。这项研究发表在 《地球物理研究通讯》 上，展示了调整初始大气数据如何使先进的 AI 模型能够扩展当前的预测极限。随着极端天气因气候变化而变得越来越严重和频繁，让政府、企业、公众和应急响应人员有更多的时间为洪水、热浪或飓风等自然灾害做好准备，有助于减少生命和财产的损失。
华盛顿大学博士生 Trent Vonich 说：“如果为完美的天气模型提供略微不完善的初始条件，误差会随着时间的推移而加剧，并导致预测不准确。”“在对地球大气等混沌系统进行建模时尤其如此。最近人们非常关注制作更好的模型，同时在某种程度上忽略了一个事实，即完美的模型只是问题的一半。机器学习模型帮助我们解决了这个问题，因为它们是完全可微的端到端模型，允许我们捕获输入和输出之间的非线性交互——这是传统技术无法做到的。”
虽然 Google 的 GraphCast 和 华为的 Pangu-Weather 等先进的人工智能天气预报系统能够可靠地预测未来 10 天的天气，但它们受到输入系统的初始数据准确性的限制。
这些模型基于包含 PB 级信息的大型 ERA5 再分析数据集进行训练。该数据集捕获 37 个大气压级别的全球电网中的小时温度、风速、湿度、气压、降水量和云量。它包括可追溯到 1979 年的历史天气条件和近乎实时的数据。
研究人员专注于细化 2021 年 6 月太平洋西北热波之前的初始大气变量，以提高这一极端事件的准确性。他们使用 GPU 加速的 JAX 框架应用非线性优化来优化数据。
Vonich 表示，在 NVIDIA A100 Tensor Core GPU 上执行 100 个初始条件更新只要 20 分钟。
研究人员使用在 2021 年太平洋西北热浪期间捕获的大气数据（这些数据不包含在原始训练数据集中）测试了他们的框架的准确性。经过优化的数据将 10 天预测误差减少了 90%，成功预测了热浪的强度和时间。它还将预测窗口期提高了一倍以上，使未经优化的预测提前了 23 天得到改善。
“这项研究可能表明，更准确的天气观测和测量可能与开发更好的模型同样重要，”Vonich 说。“如果这项技术可用于识别初始条件中的系统偏差，它可能会对改进运营预测产生直接影响。此外，更多的准备时间可以为社区提供更好的准备。航空、航运和无数其他行业也依赖于准确的天气预报。改进也可以为他们带来经济效益。”
阅读完整的新闻案例 Eos 。
通过深度学习灵敏度分析了解 2021 年太平洋西北热浪的可预测性极限 。
