1分鐘預測10天全球天氣！谷歌DeepMind全新AI天氣預報登上Science，碾壓行業SOTA
不到1分鐘，高精度預測出10天的全球天氣。
ChatGPT之后，又一個AI模型的能力再次驚艷了全世界！
從15日開始，未來十天的全球天氣狀況
它就是，谷歌DeepMind團隊提出全新的全球天氣預報模型——GraphCast，最新研究登上Science。
圖片
論文地址：https://www.science.org/doi/10.1126/science.adi2336
當前天氣預報的主流方式就是「數值天氣預報」（NWP），使用復雜的算法求解物理方程，既耗時又昂貴。
而深度學習模型GraphCast在歐洲中期天氣預報中心 （ECMWF） 近40年的數據上進行訓練，來了解天氣如何隨時間演變。
圖片
研究發現，與行業黃金標準天氣模擬系統——高分辨率預報（HRES）相比，GraphCast在1380個測試變量中準確預測超過90%。
而且，雖然GraphCast沒有經過捕捉惡劣天氣事件的訓練，還能比傳統預報模型更早地識別出惡劣天氣事件。
GraphCast可以預測未來氣旋的潛在路徑，比以前的方法要早3天。
預測未來氣旋
它還可以識別與洪水風險相關的大氣河流，并預測極端溫度的開始。
預測極端溫度和大氣河流
面對大自然的無情災害，GraphCast通過提前提供精準、高效的預警，再次推動AI在天氣預領域向前邁出了重要一步。
圖片
氣旋跟蹤（左）：隨著預測氣旋運動的提前時間增加，GraphCast保持比HRES更高的準確性
大氣河流（右）：在整個10天為周期的預測中，GraphCast的預測誤差明顯低于HRES
值得一提的是，GraphCast模型的源代碼已經全部開放，從而讓世界各地的科學家和預報員可以造福全球數十億人。
圖片
圖為GraphCast 10天滾動預測的一部分，顯示了700百帕（距地面約3公里）的濕度、地面溫度和地面風速
全球最準確天氣預報模型GraphCast
剛剛提到的數值天氣預報（NWP）這種傳統的方法，首先需要定義物理方程，然后將其轉化為在超級計算機上運行的計算機算法。
但NWP的缺點是，設計方程和算法非常耗時，需要深厚的專業知識和昂貴的計算資源，才能做出準確的預測。
圖片
恰好，深度學習提供了一種不同的方法：通過數據，而不是物理方程來創建天氣預報系統。
GraphCast只需要兩組數據作為輸入：6小時前的天氣狀態和當前的天氣狀態，并預測未來6小時的天氣。
然后，該過程可以以6小時為增量向前滾動，最多可以提前10天提供最先進的預測。
圖片
GraphCast的背后是一個神經網絡架構，基于「編碼-處理-解碼」配置中的GNN ，總共有3670萬個參數。
圖片
代碼、權重和演示都已經公開在：https://github.com/google-deepmind/graphcast
編碼器（下圖D）使用單個GNN層將輸入網格上表示為節點屬性的變量（標準化為零均值單位方差）映射到內部「多網格」表示上的學習節點屬性。
多網格（The multi-mesh）（下圖G）是一個空間均勻的圖，在全球范圍內具有高空間分辨率。它是通過迭代六次細化正二十面體（12 個節點、20 個面、30 個邊）來定義的，其中每次細化將每個三角形劃分為四個較小的三角形（導致面和邊增加四倍），并將節點重新投影到球體上。
多網格包含來自最高分辨率網格的40962個節點（大約是 0.25° 處緯度/經度網格點數量的 1/25），以及中間圖中創建的所有邊的并集，形成不同長度的平面層次結構的邊緣。
圖片
處理器（圖E）使用16個非共享GNN層在多重網格上執行學習消息傳遞，從而以很少的消息傳遞步驟實現高效的本地和遠程信息傳播。
解碼器（圖F）將從多網格表示中學習到的最終處理器層特征映射回經緯度網格。它使用單個GNN層，并將輸出預測為最新輸入狀態的殘差更新（通過輸出歸一化來實現目標殘差的單位方差）。
如下是，GraphCast建模的天氣變量和等級。
圖片
研究人員通過將GraphCast與HRES在大量變量、水平和交付周期上的準確性進行比較，全面驗證 GraphCast 的預測能力。
他們使用兩個技能指標來量化GraphCast、HRES和ML基線的各自技能：均方根誤差 (RMSE) 和異常相關系數 (ACC)。
圖片
上圖（a到c）顯示了GraphCast（藍線）在Z500（500 百帕高度的位勢）「headline 」場上的RMSE技能、RMSE技能得分（skill score，即模型A與基線B之間的歸一化RMSE差異，定義為（RMSEA - RMSEB）/（RMSEB））和 ACC技能方面如何優于HRES（黑線）。
由于 Z500 在氣象學上非常重要，因此使用Z500表示同步尺度氣壓分布在文獻中很常見。圖表顯示，GraphCast 在所有前導時間內的技能得分都更高，技能得分提高了約 7%-14%。
上圖D以類似于ECMWF記分卡的格式總結了10天預測中所有1380個評估變量和壓力水平的RMSE技能得分。
單元格顏色與技能得分成正比，其中藍色表示GraphCast具有更好的技能，紅色表示HRES具有更高的技能。
GraphCast在1380個目標中的90.3%上優于HRES，并且在89.9%的目標上顯著優于HRES（p ≤ 0.05，標稱樣本大小 n ∈{729, 730}）。
當排除50 hPa水平時，GraphCast在其余1280個目標中的96.9%上顯著優于HRES。當排除50和100 hPa水平時，GraphCast在1180個剩余目標中的99.7%上顯著優于HRES。
極端天氣預警，提前9天鎖定颶風
研究人員的分析還表明，GraphCast還能比傳統預報模型更早地識別出惡劣天氣事件，盡管它沒有經過尋找惡劣天氣事件的訓練。
這是GraphCast未經過專門訓練的關鍵下游應用，但對人類非常重要。
這說明GraphCast可以幫助人類針對極端天氣提前做好準備，減少風暴和極端天氣對社區的影響。
通過在GraphCast預測中直接應用簡單的氣旋跟蹤器，新模型可以比HRES模型更準確地預測氣旋的移動。
今年9月，谷歌在ECMWF網站上部署的GraphCast模型實時公開版本，提前約9天準確預測出颶風Lee將在Nova Scotia登陸。
圖片
相比之下，傳統預測在登陸地點和時間上的變數更大，只能提前大約6天的時間鎖定Nova Scotia。
GraphCast 還可以描述大氣河流的特征——大氣中的狹窄區域將大部分水蒸氣輸送到熱帶以外的地區。
大氣河流的強度可以表明它是會帶來有益的降雨還是會引發洪水。GraphCast預測可以幫助確定大氣河流的特征，這有助于與預測洪水的人工智能模型一起制定應急計劃。
圖片
而在氣候變暖的大環境下，預測極端溫度的重要性與日俱增。GraphCast可以描述地球上任何特定地點的高溫何時會超過歷史最高溫度。
這在預測熱浪方面尤其有用，因為熱浪是一種破壞性的危險事件，而且越來越常見。
圖片
提高熱帶氣旋跟蹤的準確性有助于避免人員傷亡，并減少經濟損失。上圖A顯示2018年至2021年GraphCast的中位跟蹤誤差低于HRES（選擇中位值是為了抵抗異常值）。
由于HRES和GraphCast的每軌誤差是相關的，研究人員還測量了兩個模型之間的每軌配對誤差差異，發現GraphCast 在18小時到4.75天的交付周期內明顯優于HRES。
大氣河流是大氣中的狹窄區域，負責中緯度地區向極地的大部分水汽輸送，并產生美國西海岸30%-65%的年降水量。它們的強度可以通過垂直整合的水汽輸送IVT來表征，表明大氣事件是否會提供有益的降水還是引發災難性損害。
上圖C顯示，與HRES相比，GraphCast改進了IVT的預測，從短交付時間的25%提高到較長時間范圍的10%。
極熱和極冷天氣的特點是與典型氣候相比存在較大異常，這可能是危險的并會擾亂人類活動。
研究人員評估了HRES和GraphCast在跨地點、一天中的時間和一年中的月份預測前2%氣候學事件的能力。
圖D顯示GraphCast的精確召回曲線在5天和10天的提前時間內高于HRES，這表明GraphCast在較長時間范圍內的極端分類方面的預測通常優于HRES。
相比之下，HRES在12小時前置時間內具有更好的精確召回率，這與GraphCast相對于HRES的2T技能得分接近于零是一致的，如圖D所示。
AI天氣的未來，數十億人受益
谷歌DeepMind稱，GraphCast是世界上最準確的10天全球天氣預報系統，可以比以往更遠地預測未來的極端天氣事件。
隨著天氣模式在不斷變化的氣候中演變，GraphCast將隨著更高質量數據的出現而發展和改進。
與此同時，谷歌還開源了模型的代碼。希望未來其他研究人員用其帶來的可能性，從針對特定天氣現象定制模型，到針對世界不同地區優化模型。
圖片
目前，包括ECMWF在內的氣象機構，已經在對GraphCast進行實時實驗。
另外，GraphCast與谷歌DeepMind和谷歌研究院的其他最先進的天氣預報系統一起用于天氣預測。
包括Nowcasting（提前90分鐘做出預報的區域性模型），以及MetNet-3（在美國和歐洲運行的區域天氣預報模型，可做出比其他任何系統都更準確的24小時預報）。
如果我們能夠率先將AI用于天氣預報，將使數十億人的日常生活受益。
但是，谷歌表示，「我們更廣泛的研究不僅僅是關于預測天氣，而是關于了解人類氣候的更廣泛模式。
通過開發新工具和加速研究，谷歌希望AI能夠增強全球社會應對最大環境挑戰的能力。
圖片
在看了研究介紹之后，網友表示，谷歌你快出個應用啊！
圖片
對于天氣預報的能力，很多網友表示，現在已經可以期望預報的精細度到不同街道，并且精確到分鐘了。
圖片
參考資料：
