划重点
01Google AI开发了一个结合传统天气预报技术和机器学习的计算机模型，能更准确地预测7天后的天气。
02与现有的基于人工智能的预报工具相比，这个模型速度快、能耗低，且更详细。
03然而，纯机器学习方法在集合预报或长期气候预报方面可靠性较低。
04通过将物理学引入模型，研究团队能够确保模型受到物理约束，避免做出不切实际的事情。
05未来版本中，研究团队计划加入更多地球科学内容，以提高模型的准确性。
以上内容由腾讯混元大模型生成，仅供参考
原文作者：Helena Kudiabor
更可靠、能耗更低的模型能帮我们更好地为极端天气做准备。
精确的预报有助于人们为极端天气事件做好准备，如热带风暴。来源：NOAA/Getty
一个将传统天气预报技术和机器学习相结合的计算机模型，在预测天气场景和长期气候趋势方面优于其他基于人工智能（AI）的工具。
于7月22日发表在《自然》上[1]，这个工具是首个生成准确集合天气预报（呈现一系列场景）的机器学习模型。它的开发为预报打开了一扇门，比现有的工具速度快、能耗低，而且比仅基于AI的方法更详细。
“传统气象模型需要在超级计算机上运行。而这是一个几分钟就能运行的模型。”研究共同作者Stephan Hoyer说，他在加利福尼亚州的Google Research研究深度学习。
目前的预报系统通常依赖于大气环流模型（GCM），这些程序利用物理定律，模拟地球的海洋和大气，预测它们可能如何影响天气和气候。但GCM需要大量的算力，而机器学习的进步正在提供更高效的替代办法。“我们拥有太字节乃至拍字节（十亿字节的百万倍）的历史天气数据。” Hoyer说。“通过从这些模式中学习，我们能建立更好的模型。”
现在已经有一些机器学习的预报模型了，例如中国华为的盘古气象，还有总部位于伦敦的DeepMind开发的GraphCast。这些模型的准确度与通常的确定性预报GCM（一种产生单一天气预报的方法）差不多。但GCM在集合预报或长期气候预报方面没那么可靠。
“纯机器学习方法的问题是，你只能用它已经看过的数据来训练它。”在伦敦阿兰图灵研究所研究AI和环境数据的Scott Hosking说。“气候一直在变化，我们在步入未知，所以我们的机器学习模型必须推断出未知的未来。通过将物理学引入模型，我们能够确保我们的模型受到物理约束，不会做出不切实际的事情。”
混合模型
Hoyer和他的团队开发训练了NeuralGCM，这个模型结合了“传统基于物理学的大气求解器的某些方面，和一些AI组件”，Hoyer说。他们使用这个模型产生了短期和长期的天气预报，还有气候预测。为了评估NeuralGCM的准确性，研究者将它的预测和真实世界数据，以及和其他模型如GCM和纯基于机器学习的输出结果做了比较。
和现有机器学习模型一样，NeuralGCM能产生准确的短期确定性预报（提前1-3天），耗能只有GCM的一小部分。但它在产生超过7天的长期预报时，比其他机器学习模型出错少得多。实际上，NeuralGCM的长期预报近似于欧洲中期天气预报中心的集合模型（ECMWF-ENS），后者被广泛认为是天气预报的金标准。
研究团队还测试了这个模型预报不同天气现象的能力，例如热带气旋。他们发现，与NeuralGCM 和 ECMWF-ENS相比，许多纯机器学习模型会产生不一致、不准确的预报。研究者还比较了NeuralGCM和超高分辨率气候模型全球风暴解析模拟。NeuralGCM可以在较短时间里生成更现实的热带气旋数量和轨迹。
能预测这类事件，“对改进决策能力和准备战略非常重要”，Hosking说。
Hoyer和同事热切地想要优化调整NeuralGCM。“我们一直在研究建模地球系统的大气成分……这可能是最直接影响每天天气的部分。” Hoyer说。他补充说，研究团队想要在未来的版本中加入更多地球科学内容，进一步提高模型的准确性。
参考文献：
原文Google AI predicts long-term climate trends and weather in minutes标题发表在2024年7月23日《自然》的新闻版块上
nature
Doi：10.1038/d41586-024-02391-9
