預測未來10 天全球天氣，僅需30 秒。
這一成果來自全球中期天氣預報大模型" 風烏 "，這也是全球氣象有效預報時間首次突破 10 天，并在 80% 的評估指标上超越 DeepMind 發布的模型 GraphCast。
" 風烏 " 基于多模态和多任務深度學習方法構建，由上海人工智能實驗室聯合中國科學技術大學、上海交通大學、南京信息工程大學、中國科學院大氣物理研究所及上海中心氣象台發布。
實驗室領軍科學家歐陽萬裏表示：
" 風烏 " 取名自秦漢時期的 " 相風銅烏 "，是世界上最早的測風設備。天氣預報大模型‘風烏’不僅承載了中國古人的智慧，也寓意實驗室緻力于在以氣象爲代表的 AI for Science 領域勇于突破、不懈探索。
AI 大模型預報全球天氣
随着全球氣候變化加劇，極端天氣頻發，各界對天氣預報的時效和精度的期待與日俱增。
過去數十年間，全球中期天氣預報領域取得衆多矚目成就，但囿于氣象觀測的準确度，大氣系統中物理過程的複雜性，以及求解大氣模型所需資源規模巨大，全球中期天氣預報的有效性每 10 年才提高 1 天，難以滿足社會和經濟的發展需求。
" 風烏 " 提供了一個強大有效的全球中期天氣預報的 AI 框架，在預報精度、預報時效和資源效率三方面都領先。
在預報精度方面，相比 DeepMind 的 GraphCast，" 風烏 " 的 10 天預報誤差降低 10.87%，而相比于傳統的物理模型，其誤差降低 19.4%。
在預報時效方面，根據國際常用的标準，z500 ACC 大于 0.6 時氣象預報結果具有可用性，可以較好地指導預報員判斷未來氣象發展形勢。
此前，全球範圍内最好的物理模型 HRES 在此标準範圍内，有效預報時長最大爲 8.5 天，而 " 風烏 " 基于再分析數據達到了 10.75 天。
在資源效率方面，現有物理模型往往運行在超級計算機上，而 " 風烏 "AI 大模型僅需單 GPU 便可運行，僅需 30 秒即可生成未來 10 天全球高精度預報結果。
據氣象專家介紹，盡管目前市面上有一些産品提供未來 15 天的氣象預報服務，但是 10 天以上的預報性能還具有很大不确定性，無法達到有效預報的标準。
實踐證明，将觀測與數值預報和人工智能相結合，可有效提升數值預報的準确性。" 風烏 " 首次将全球氣象預報的有效性提高到 10.75 天，具有很大的業務應用價值。
多模态和多任務：深度學習驅動地球科學
上海人工智能實驗室 AI for Earth 聯合團隊提出了一種基于多模态多任務的深度學習方法用于構建 AI 天氣預報模型，從而實現對全球中期天氣進行快速、準确預報。
由于不需要通過複雜的物理系統仿真，AI 氣象預報模型突破了傳統預報方法的計算瓶頸，因此能夠高效地進行預報和集成。同時 AI 對氣象數據關系的強大拟合能力使其有潛力突破傳統數值模式預報中的性能瓶頸。
在 AI 模型的設計和訓練過程中，研究團隊發現，在學習過程中，多個大氣變量在優化中存在相互影響且可以看作多任務學習問題；大氣數據具有高分辨率高維度大體量的特征，導緻模型多步天氣預測結果難以直接被優化。
" 風烏 " 采用多模态神經網絡和多任務自動均衡權重解決多種大氣變量表征和相互影響的問題。其針對的大氣變量包括：位勢、濕度、緯向風速、經向風速、溫度以及地表等。" 風烏 " 将這些大氣變量看作多模态信息，使用多模态網絡結構可以更好地處理這些信息。
研究團隊從多任務問題的角度出發，自動學習每個大氣變量的重要性，使得多個大氣變量之間能夠更好地協同優化。爲了優化 " 風烏 " 的多步預測結果，研究團隊提出了 " 緩存回放 "（replay buffer）策略，減少自回歸預測誤差，提高長期預測的性能。
下圖對不同大氣變量的預測結果。ACC 是用于衡量預測結果有效性的指标，數值越高，預測結果越有效（紅線代表 " 風烏 "，黑線代表 GraphCast）。
從結果上看，" 風烏 " 在 6 到 10 天的中期預報上預報技巧顯著高于 GraphCast。其中具有代表意義的 z500 達到了 10.75 天的有效預報範圍（ACC＞0.6），這也是高分辨率全球中期天氣預報系統首次能夠對大氣變量進行超過 10 天的有效預報。
未來，" 風烏 "AI 氣象大模型可與傳統的物理模型形成互補，憑借其卓越的性能和精度，爲生産生活提供更準确、更實用的天氣預報信息，助力天氣預報數字化，爲農林牧漁、航空航海等各行業及公共安全保障提供有力的支持。
據悉，上海人工智能實驗室 AI for Earth 團隊還将把人工智能方法應用到更廣泛的氣象、環境、天文、地質等地球科學問題研究中，助力 " 碳中和 "、防災減災、能源安全等重大需求。
論文地址：
https://arxiv.org/abs/2304.02948
