谷歌 DeepMind 实验室推出的天气预测大模型,已在 Science 杂志发表。
只需要不到 1 分钟,它就能直接预测出未来 10 天的天气。
准确度上,它在 90% 的指标上超越了最先进的人类系统,在 AI 气象模型中属首次!
DeepMind 的这个气象模型名叫 GraphCast,目前已经开源。
它的分辨率为 0.25 度经度 / 纬度(在赤道处约为 28×28 公里),而目前的最高分辨率为 1 度。
这样的分辨率相当于将地球表面分割成了超过 100 万个网格,而每个网格又可以产生数百条预测数据,总计数量达到了上亿规模。
不同于传统的预测方式,GraphCast 预测主要依靠数据中的规律进行预报,而不使用人类建立的物理方程。
相比于人类最准确的 HRES 预报,GraphCast 在 1380 个测试指标中,90% 的预测结果都更为准确。
如果把预测范围限制在对流层,GraphCast 击败 HRES 的指标比例更是高达 99.7%。
YC 上有网友表示,用“impressive”已经不足以形容这项成果了。
那么,GraphCast 的预测表现具体是怎样的呢?
90% 指标超越人类最好方法
在划分出的 100 万多个网格上,GraphCast 划分出的每个网格都能够产生 227 条预测数据。
其中包括了 37 个不同高度上,每个高度的 6 个大气变量(包括比湿度、风速和风向以及温度等)。
在地球表面,GraphCast 还可以预测包括温度、风速和风向以及平均海平面压力等在内的 5 个变量。
完整的变量种类和具体高度(以气压表示,单位:hPa)如下表所示:
为了比较 GraphCast 和 HRES 的表现,研究人员从欧洲中期天气预报中心(ECMWF)的 ERA5 再分析数据中选取了 2018 年(GraphCast 训练数据截止 2017 年)的历史数据。
研究者分别让 HRES 和 GraphCast 站在当时的情况下进行“预测”,然后比较它们的“预测”和 ERA5 进行比较。
在 500hPa 高度场上,GraphCast 的 RMSE(均方根误差,数值越低表现越好)和 ACC(异常相关系数)指标都显著优于 HRES。
而在研究人员选取的 50-1000hPa 的 1380 个数据点中,GraphCast 有 90.3% 优于 HRES,89.9% 优势显著(下图 d 组中,蓝色表示 GraphCast 优于 HRES,越深优势越明显)。
除了这些数据,GraphCast 在极端天气的预测上也有明显优势。
对于热带气旋路径,GraphCast 中位误差低于 HRES,特别是在前 4.75 天开始,优势开始变得明显(下图 a、b)。
在根据大气河流(Atmospheic River)进行水汽通量预测时,GraphCast 的 RMSE 值也明显低于 HRES(下图 c)。
预测热浪时,GraphCast 在提前 12 小时、5 天、10 天时,准确度也都比 HRES 高(下图 d)。
今年 9 月,GraphCast 成功在登陆前 9 天预测了北大西洋的飓风 Lee,而使用传统方法最多提前 6 天预报。
GraphCast 不仅准确度高,预测速度也非常快。
在一台 Google TPU v4 机器上使用 GraphCast 进行 10 天预测,只需不到一分钟就能完成。
相比之下,使用 HRES 等传统方法,即使在超级计算机上也要花费数个小时。
那么,GraphCast 是如何实现高效准确的气象预测的呢?
不使用物理方程,预测全靠数据分析
工作流程上,输入从 6 小时前开始到当前的气象数据,GraphCast 就可以预测未来 6 小时的天气。
而预测出的数据可以作为新的“当前”态,继续往后迭代预测,最长可以预测到 10 天后的天气状况。
原理层面,GraphCast 使用机器学习方式和图神经网络(GNN)架构,其中包括编码器和解码器各一层,以及中间层 16 层,参数量为 3670 万。
它仅通过学习已有气象数据实现预测,不依赖人类建立的物理方程。
GraphCast 将 0.25 度网格的气象数据进行编码映射到神经网络,经过传递计算后的结果再由解码器还原为气象数据。
训练时,GraphCast 使用的是来自 ERA5 数据集中的 1979-2017 这近四十年天气的再分析数据,包括了卫星图像、雷达和气象站测结果。
ERA5 是基于 4DVar 方法和同化观测生成的全球最优重构资料,涵盖时间从上世纪 40 年代至今,空间则覆盖全球。
而如果使用更近期的数据,GraphCast 的预测结果准确度还能继续提高。
下一步,DeepMind 计划构建集合预报模型,以适应实际情况中天气的不确定性,进一步增强预报准确性。
论文地址:
https://www.science.org/doi/10.1126/science.adi2336
参考链接:
-
[1]https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/
-
[2]https://www.ft.com/content/ca5d655f-d684-4dec-8daa-1c58b0674be1
本文来自微信公众号:量子位 (ID:QbitAI),作者:克雷西
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,所有文章均包含本声明。