華盛頓大學的新研究正在使用深度學習完善 AI 天氣模型，以實現更準確的預測和更長期的預測。這項研究發表在 《地球物理研究通訊》 上，展示了調整初始大氣數據如何使先進的 AI 模型能夠擴展當前的預測極限。隨著極端天氣因氣候變化而變得越來越嚴重和頻繁，讓政府、企業、公眾和應急響應人員有更多的時間為洪水、熱浪或颶風等自然災害做好準備，有助于減少生命和財產的損失。
華盛頓大學博士生 Trent Vonich 說：“如果為完美的天氣模型提供略微不完善的初始條件，誤差會隨著時間的推移而加劇，并導致預測不準確。”“在對地球大氣等混沌系統進行建模時尤其如此。最近人們非常關注制作更好的模型，同時在某種程度上忽略了一個事實，即完美的模型只是問題的一半。機器學習模型幫助我們解決了這個問題，因為它們是完全可微的端到端模型，允許我們捕獲輸入和輸出之間的非線性交互——這是傳統技術無法做到的。”
雖然 Google 的 GraphCast 和 華為的 Pangu-Weather 等先進的人工智能天氣預報系統能夠可靠地預測未來 10 天的天氣，但它們受到輸入系統的初始數據準確性的限制。
這些模型基于包含 PB 級信息的大型 ERA5 再分析數據集進行訓練。該數據集捕獲 37 個大氣壓級別的全球電網中的小時溫度、風速、濕度、氣壓、降水量和云量。它包括可追溯到 1979 年的歷史天氣條件和近乎實時的數據。
研究人員專注于細化 2021 年 6 月太平洋西北熱波之前的初始大氣變量，以提高這一極端事件的準確性。他們使用 GPU 加速的 JAX 框架應用非線性優化來優化數據。
Vonich 表示，在 NVIDIA A100 Tensor Core GPU 上執行 100 個初始條件更新只要 20 分鐘。
研究人員使用在 2021 年太平洋西北熱浪期間捕獲的大氣數據（這些數據不包含在原始訓練數據集中）測試了他們的框架的準確性。經過優化的數據將 10 天預測誤差減少了 90%，成功預測了熱浪的強度和時間。它還將預測窗口期提高了一倍以上，使未經優化的預測提前了 23 天得到改善。
“這項研究可能表明，更準確的天氣觀測和測量可能與開發更好的模型同樣重要，”Vonich 說。“如果這項技術可用于識別初始條件中的系統偏差，它可能會對改進運營預測產生直接影響。此外，更多的準備時間可以為社區提供更好的準備。航空、航運和無數其他行業也依賴于準確的天氣預報。改進也可以為他們帶來經濟效益。”
閱讀完整的新聞案例 Eos 。
通過深度學習靈敏度分析了解 2021 年太平洋西北熱浪的可預測性極限 。
?
?
