新智元報道
編輯：桃子 潤
【新智元導讀】谷歌 DeepMind 再次在科學細分領域——天氣預報邁出重要的一步。全新 AI 模型 GraphCast 可在 1 分鍾内，精準預測 10 天全球天氣，甚至還可以預測極端天氣事件。
不到 1 分鍾，高精度預測出 10 天的全球天氣。
ChatGPT 之後，又一個 AI 模型的能力再次驚豔了全世界！
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。
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），使用複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，來了解天氣如何随時間演變。
研究發現，與行業黃金标準天氣模拟系統——高分辨率預報（HRES）相比，GraphCast 在 1380 個測試變量中準确預測超過 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别出惡劣天氣事件。
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
它還可以識别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。
氣旋跟蹤（左）：随着預測氣旋運動的提前時間增加，GraphCast 保持比 HRES 更高的準确性
大氣河流（右）：在整個 10 天爲周期的預測中，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。
圖爲 GraphCast 10 天滾動預測的一部分，顯示了 700 百帕（距地面約 3 公裏）的濕度、地面溫度和地面風速
全球最準确天氣預報模型 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，然後将其轉化爲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，才能做出準确的預測。
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 隻需要兩組數據作爲輸入：6 小時前的天氣狀态和當前的天氣狀态，并預測未來 6 小時的天氣。
然後，該過程可以以 6 小時爲增量向前滾動，最多可以提前 10 天提供最先進的預測。
GraphCast 的背後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。
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 層将輸入網格上表示爲節點屬性的變量（标準化爲零均值單位方差）映射到内部「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，在全球範圍内具有高空間分辨率。它是通過叠代六次細化正二十面體（12 個節點、20 個面、30 個邊）來定義的，其中每次細化将每個三角形劃分爲四個較小的三角形（導緻面和邊增加四倍），并将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。
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）将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，并将輸出預測爲最新輸入狀态的殘差更新（通過輸出歸一化來實現目标殘差的單位方差）。
如下是，GraphCast 建模的天氣變量和等級。
研究人員通過将 GraphCast 與 HRES 在大量變量、水平和交付周期上的準确性進行比較，全面驗證 GraphCast 的預測能力。
他們使用兩個技能指标來量化 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 ) 。
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，定義爲（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 在所有前導時間内的技能得分都更高，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。
單元格顔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 個目标中的 90.3% 上優于 HRES，并且在 89.9% 的目标上顯着優于 HRES（p ≤ 0.05，标稱樣本大小 n ∈{729, 730}）。
當排除 50 hPa 水平時，GraphCast 在其餘 1280 個目标中的 96.9% 上顯著優于 HRES。當排除 50 和 100 hPa 水平時，GraphCast 在 1180 個剩餘目标中的 99.7% 上顯著優于 HRES。
極端天氣預警，提前 9 天鎖定飓風
研究人員的分析還表明，GraphCast 還能比傳統預報模型更早地識别出惡劣天氣事件，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遊應用，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 模型更準确地預測氣旋的移動。
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 天準确預測出飓風 Lee 将在 Nova Scotia 登陸。
相比之下，傳統預測在登陸地點和時間上的變數更大，隻能提前大約 6 天的時間鎖定 Nova Scotia。
GraphCast 還可以描述大氣河流的特征——大氣中的狹窄區域将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 預測可以幫助确定大氣河流的特征，這有助于與預測洪水的人工智能模型一起制定應急計劃。
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曆史最高溫度。
這在預測熱浪方面尤其有用，因爲熱浪是一種破壞性的危險事件，而且越來越常見。
提高熱帶氣旋跟蹤的準确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（選擇中位值是爲了抵抗異常值）。
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 天的交付周期内明顯優于 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，并産生美國西海岸 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% 提高到較長時間範圍的 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 的精确召回曲線在 5 天和 10 天的提前時間内高于 HRES，這表明 GraphCast 在較長時間範圍内的極端分類方面的預測通常優于 HRES。
相比之下，HRES 在 12 小時前置時間内具有更好的精确召回率，這與 GraphCast 相對于 HRES 的 2T 技能得分接近于零是一緻的，如圖 D 所示。
AI 天氣的未來，數十億人受益
谷歌 DeepMind 稱，GraphCast 是世界上最準确的 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。
随着天氣模式在不斷變化的氣候中演變，GraphCast 将随着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。
目前，包括 ECMWF 在内的氣象機構，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 分鍾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确的 24 小時預報）。
如果我們能夠率先将 AI 用于天氣預報，将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。
在看了研究介紹之後，網友表示，谷歌你快出個應用啊！
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，并且精确到分鍾了。
