原創 | 原理
一項古老的挑戰
天氣對我們所有人都有著或大或小的影響，它小到決定著我們每日的穿著，大到可以製造摧毀整片社區的風暴。在一個極端天氣日益增多的世界裡，快速、準確地預報天氣，變得前所未有的重要。然而，這卻是最古老也是最具挑戰性的科學工作之一。
如今，隨著研究、數據和計算方面的穩步發展，雖然提前兩天的暴雨預報已經變得和20世紀90年代中期的當日預報一樣準確，但現代天氣預報系統仍面臨諸多重大挑戰。例如，我們仍然難以預測產生龍捲風、大冰雹或大暴雨的雷暴；對許多社會和經濟領域的決策都至關重要的中期天氣預報（未來3~10天），也難以做到準確有效；另外，由於混沌的存在，我們基本上無法作出超過10天的精確預測。
近日，一項新發表於《科學》雜誌的研究表明，谷歌的DeepMind團隊開始涉足天氣預報這門深奧的科學，他們開發了一個被稱為GraphCast的機器學習模型，該模型可以在一分鐘內，以前所未有的精度提供未來10天的天氣預報。在預測天氣這項任務上，GraphCast超越了目前最好的傳統方法和其他人工智慧方法。
最先進的天氣模型
一個世紀前，英國數學家劉易斯·弗萊·理察森（Lewis Fry Richardson）就提出了一個在當時看來驚世駭俗的想法：構建一個基於數學的系統化過程來預測天氣。但他並沒有如願，主要是因為當時人們對大氣科學的了解還遠遠不夠。
一個世紀後的今天，我們的現代天氣預報正是基於理察森所想像的那種複雜計算。完成這些預測工作的主要工具就是數值天氣預測模型。這些模型使用來自氣象站、氣象衛星等可以對當前的大氣狀態進行密切觀測的工具的數據，然後基於這些數據解出那些支配著空氣運動的物理學方程。接著，模型會將這些方程轉換為可以在超級計算機上運行的計算機算法。
這種傳統方法雖然非常成功，但設計這些方程和算法的過程非常耗時，而且需要深厚的專業知識和昂貴的計算資源來做出準確的預測。
深度學習提供了一種不同的方法：使用數據而非物理學方程來創建天氣預報系統。新研究所描述的GraphCast就是這樣一個基於機器學習和圖神經網絡（GNN）的天氣預報系統，它在處理空間結構化數據方面非常高效。
GraphCast能夠以0.25°經緯度（赤道面積28km× 28km）的高解析度，在覆蓋了地球表面的100多萬個網格點上進行全球天氣預報。在每個網格點上，模型預測5個地球表面變量，包括溫度、風速、風向、平均海平面壓力，以及37個不同海拔高度上的6個大氣變量，包括比濕、風速、風向、溫度。
研究人員用40年的歷史天氣數據對GraphCast進行了訓練。經過密集的訓練，最終GraphCast可以在谷歌的一台超級計算機TPU V4上，以不到一分鐘的時間預測10天的天氣。相比之下，用傳統方法進行10天的天氣預報，可能需要在一台擁有數百台機器的超級計算機上進行數小時的計算。
GraphCast只需要兩組數據來完成輸入：6小時前的天氣狀態和當前的天氣狀態。然後，模型將預測未來6小時的天氣。接著，這個過程可以以6小時的增量向前滾動，提供10天的精確預測。（圖/Lam el al. / Science）
在一項綜合性能評估中，研究人員將GraphCast與世界上確定性最高的高解析度預報（HRES）系統進行了比較，發現GraphCast對1380個測試變量中的90%以上都作出了更準確的預測。當他們將評估限制在對準確預測最為重要的對流層（最接近地表的6~20km的大氣區域）時，GraphCast在99.7%的對未來天氣的測試變量上都優於HRES。
對極端天氣事件的預警
研究結果表明，GraphCast還可以比傳統的預報模型更早地識別惡劣天氣事件，即便它並沒有接受過專門的訓練來尋找這些事件。這意味著GraphCast有助於我們為拯救生命、減少風暴和極端天氣對社區的惡劣影響做好準備。
通過將一個簡單的氣旋跟蹤器直接應用到GraphCast預報中，GraphCast就可以比HRES模型更準確地預測氣旋運動。GraphCast還可以描繪大氣河流的特徵，大氣河流的強度可以表明它帶來的是有益降雨還是會引發洪災的洪水。GraphCast的預測可以幫助氣象學家描述大氣河流的特徵、預測洪水，幫助人們規劃應急措施。
在這個不斷變暖的世界裡，預測極端溫度也變得越來越重要。GraphCast可以描述地球上任何地點的溫度何時會超過歷史最高溫。這在預測那些正在變得越來越普遍的熱浪、破壞性和危險事件方面，尤為有用。
預測天氣的未來
現在，GraphCast是世界上最準確的10天全球天氣預報系統，它可以比過去的模型更深入地預測未來的極端天氣事件。隨著氣候的變化，天氣模式也在不斷變化，GraphCast也將隨著更高質量的數據而不斷改進。
在天氣預報中率先使用人工智慧將使數十億人在日常生活中受益。但研究人員表示，他們的更廣泛的研究不僅僅是預測天氣，還包括了解更廣泛的氣候模式。通過開發新的工具，研究人員希望人工智慧可以幫助我們更好地面臨日益嚴峻的環境挑戰。
#創作團隊：
撰文：
排版：
#參考來源：
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
#圖片來源：
封面圖&首圖：DeepMind