🕷️
SetupAI
⚛️較早收集於 30m

AI 在氣象與氣候科學中的現實情況

PostLinkedIn
⚛️閱讀原文： Ars Technica AI
#climate-science#physics-informed-ai#forecastingweather-and-climate-ai-modelsnumerical weather predictionmachine learningphysics-informed neural networks

💡了解 AI 在氣候科學中的關鍵局限，避免過度依賴數據驅動模型。

⚡ 30-Second TL;DR

有什麼變化

AI 模型在缺乏足夠歷史訓練數據的極端事件預測上表現不佳。

為什麼重要

從業者應降低對 AI 取代物理模型在關鍵氣候預測中能力的預期。這凸顯了混合架構對於獲得可靠結果的必要性。

下一步行動

若正在構建氣候模型，請實作物理資訊神經網絡 (PINNs)，以在訓練流程中強制執行守恆定律。

誰應關注：Researchers & Academics

關鍵要點

  • •AI 模型在缺乏足夠歷史訓練數據的極端事件預測上表現不佳。
  • •機器學習缺乏傳統數值天氣預測中固有的基本物理約束。
  • •AI 的整合目前最適合採取混合模式，而非作為獨立的解決方案。

🧠 深度解析

Web-grounded analysis with 36 cited sources.

🔑 增強重點摘要

  • •AI模型在預報速度上展現出革命性優勢，例如華為盤古氣象大模型能在10秒內完成全球7天預報，而Google DeepMind的GraphCast則能在1分鐘內生成10天預報，相較於傳統數值天氣預報（NWP）需要數小時甚至數千台超級電腦運算，大幅提升了效率和更新頻率。
  • •儘管AI模型在許多預測任務上已超越傳統NWP，特別是在中期預報（3-10天）的準確度方面，例如Google DeepMind的GenCast在97.2%的變數上優於ECMWF的ENS系統，GraphCast在89.3%的變數上表現更佳，但其在極端天氣事件（如颱風強度、暴雨的精確時間和位置）的細節預測上仍需與傳統物理模型結合或進一步改進。
  • •新創公司如WindBorne Systems透過部署數百個長滯空時間的智慧型氣球，在傳統政府網路難以觸及的海洋區域收集獨特的大氣資料，這些數據有助於訓練AI模型，使其在預測未來10天的溫度時，比ECMWF模型精準度提高19%。
  • •AI模型正被應用於提升區域高解析度預報能力，例如NVIDIA的FourCastNet結合CorrDiff生成式AI模型，能將預報解析度從約25公里縮小至2公里，這對於山區對流、城市豪雨等中小尺度天氣現象的掌握至關重要。
  • •氣象AI大模型在實際應用中面臨時空尺度不匹配、關鍵變數缺失和物理一致性不足等挑戰，因此需要「場景適配層」來融合多源數據、進行本地化校準，並將氣象變數轉譯為業務指標，以實現更精準的行業應用，例如提升強風預警提前量和降低光伏電站偏差考核費用。
📊 競品分析▸ Show

markdown

模型名稱/機構主要特點預測範圍/解析度速度優勢準確度表現 (相較於傳統NWP)
Google DeepMind GraphCast基於圖神經網路 (GNN)，數據驅動全球10天預報，0.25°網格1分鐘內完成10天預報 (TPU v4)在89.3%的變數上優於ECMWF HRES，颱風路徑預測更準確
Google DeepMind GenCast集合預測技術，提供多種可能性全球15天預報8分鐘內生成預測在97.2%的變數上優於ECMWF ENS
華為 盤古氣象大模型 (Pangu-Weather)3D Earth-Specific Transformer，層次化時域聚合策略全球7-15天預報，0.25°網格，13層垂直高度10秒內完成全球7天預報 (單GPU)，比傳統方法快1萬倍首次精度超越傳統數值預報方法，在熱帶氣旋路徑預測上表現優異
NVIDIA FourCastNet (FCN3)純卷積神經網路，幾何機器學習方法，機率系集預報全球60天預報，0.25°網格，6小時解析度比傳統系集模型快8-60倍，單GPU 4分鐘內生成60天預報準確度超越領先的傳統系集模型，媲美最佳擴散模型，在颱風和強對流預報上表現良好
WindBorne Systems WeatherMesh-2獨特氣球數據收集，AI模型全球14天預報13秒內生成14天預報 (單GPU)，每小時更新在預測未來10天溫度時，比ECMWF旗艦模型精準度提高19%
阿里巴巴達摩院 八觀全球、區域協同建模，預訓練和孿生MAE全球未來10天預報，區域最高1公里x1公里x1小時每小時更新在新能源發電功率和電力負荷預測準確率分別提升至96%和98%以上

🛠️ 技術深入

  • GraphCast (Google DeepMind): 採用圖神經網路 (GNN) 架構，利用新穎的高解析度多尺度網格表示，以自迴歸方式預測227個關鍵動態變數的10天時間軌跡，時間間隔為6小時。模型在0.25°經緯度網格上運行，並使用歐洲中期天氣預報中心 (ECMWF) 的40年再分析數據進行訓練。
  • 盤古氣象大模型 (華為): 採用3D Earth-Specific Transformer (3DEST) 架構，旨在處理複雜且不均勻的3D氣象數據。模型使用層次化時域聚合策略，訓練了4個不同預報間隔的模型（1小時、3小時、6小時、24小時），以最小化迭代次數並減少誤差累積。訓練數據為1979-2021年每小時採樣的氣象數據，水平空間解析度達0.25°×0.25°，覆蓋13層垂直高度。
  • FourCastNet (NVIDIA): 早期版本結合傅立葉神經算子 (FNO)，將算子學習應用於大規模業務天氣預報。FourCastNet 3 (FCN3) 則採用純卷積神經網路架構，專為球面幾何量身定制，並實施可擴展的幾何機器學習方法進行機率系集預報。它旨在尊重球面幾何並準確建模問題的空間相關機率性質，確保多尺度下的穩定頻譜和真實動力學。訓練利用了ERA5氣象數據，並透過新穎的訓練範式實現模型和數據並行化，可在多達1024個GPU上進行大規模訓練。
  • CorrDiff (NVIDIA): 是一種生成式擴散模型 (Generative Correction Diffusion Model) 的AI驅動降尺度技術，旨在將全球數值模式資料約25公里的粗解析度提升為約2公里的高解析度區域天氣資訊。它利用ERA5再分析資料和氣象署的2公里解析度數值天氣預報分析資料進行訓練。
  • 物理約束與混合模式：許多AI氣象模型，如中國科學院大氣物理研究所的研究，正嘗試將物理定律（如Omega方程和水汽方程）作為軟約束融入圖神經網路中，以提升降水等複雜天氣現象的預測能力，解決純數據驅動模型物理一致性不足的問題。

🔮 前景展望AI analysis grounded in cited sources

混合式預報系統將成為主流標準。
AI模型的高效率和傳統物理模型的物理一致性將相互補足，提供更全面且可靠的預報結果，尤其是在極端天氣預測方面。
AI將顯著提升區域性高解析度天氣預報能力。
透過AI降尺度技術和獨特的數據收集方式，將能提供更精細、更即時的局部天氣資訊，對城市防災和特定行業應用至關重要。
AI氣象模型將加速氣候變遷研究與早期預警系統的發展。
AI模型能以更快的速度模擬多種氣候情境，並提供更早的極端天氣預警，有助於決策者和公眾更好地應對氣候變遷帶來的挑戰。

⏳ 時間線

2022-03
NVIDIA發布FourCastNet，利用AI預測氣象，處理時間大幅縮短。
2023-07
華為雲盤古氣象大模型研究成果登上《Nature》正刊，首次實現AI預報精度超越傳統數值預報方法。
2023-08
華為與ECMWF合作，推出全球天氣預報AI模型，可在ECMWF網站上訪問。
2023-11
Google DeepMind發布GraphCast，一個基於圖神經網路的AI氣象模型，能在1分鐘內預測未來10天天氣，並在《Science》期刊發表。
2024-12
Google DeepMind推出GenCast，一個新的AI氣象預測模型，在預測準確度上超越ECMWF的ENS系統，並能提供長達15天的預測。
2025-07
NVIDIA發布FourCastNet 3，進一步提升全球天氣建模能力，實現可擴展的幾何機器學習機率系集預報。
⚛️閱讀原文： Ars Technica AI
📰

AI 週報

閱讀本週精選 AI 大事摘要 →

👉相關動態

同主題

探索 #climate-science

同產品

更多關於 weather-and-climate-ai-models

同來源

最新來自 Ars Technica AI

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Ars Technica AI ↗