不用物理方程，只靠数据预测

克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

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
开源项目页：
https://github.com/google-deepmind/graphcast
CoLab笔记：
https://colab.research.google.com/github/deepmind/graphcast/blob/master/graphcast_demo.ipynb