传统的天气预报速度慢且成本高。人工智能可以提供帮助。

气象学家 Hannah Wangari 每天都会获取她订阅的五个预测模型生成的免费图表和地图，并解释她所看到的内容。“全国不同地区下雨的可能性有多大？”她可能想知道。“未来 24 小时内可能会下降多少？”快速准确地回答此类问题对于她和其他人在肯尼亚气象部门开展的潜在救生工作至关重要。

随着气候变化的不断推动极端天气更加频繁和强烈，对更快、更精确预测的需求只会增长。今年的暴雨和洪水造成了严重破坏，造成数百人死亡，无数人流离失所。美国、西班牙、中欧和非洲大片地区，超过 720 万人受到影响。一个肯尼亚估计有267人死亡去年，由于洪水影响了全国 47 个县中的 42 个县，另外 278,000 人流离失所。预计暴风雨将会加剧每升高 1.8 华氏度 7%为了应对气候变暖，准确预测此类事件发生的时间和地点是拯救生命和生计的关键。

但这可能是一项耗时且昂贵的工作。传统的预报依赖于一种称为数值天气预报的方法。这种基于物理的技术于 20 世纪 50 年代开发，需要数百万—美元能够求解模拟大气过程的复杂方程的超级计算机。密集的数字运算可能需要数小时才能产生一个预测，这对于许多预测者来说是遥不可及的，特别是在发展中国家，这使得他们不得不依赖其他人产生的数据。 

由人工智能驱动的工具正在成为一种更快、在许多情况下更准确的替代品，可以在笔记本电脑上轻松生成。他们使用机器学习它利用 40 年的开源天气数据来发现模式并确定趋势，从而帮助预测即将发生的情况。“他们利用过去的经验来训练模型，以便从根本上学习物理学，”计算机科学家 Amy McGovern 说道，她是美国国家科学基金会 (NSF) 天气、气候和沿海海洋学领域可信人工智能研究所的负责人。俄克拉荷马大学。 

谷歌、牛津大学和 NVIDIA 等公司开发的人工智能方法可以在几分钟内提供准确的预测，让政府有更多的时间来准备和应对。“更频繁的更新有助于机构监控风暴路径等快速变化的情况，”NVIDIA 加速数据中心负责人 Dion Harris 告诉 Grist。– 这改善了疏散规划、基础设施保护和资源分配的决策。 –

阅读下一篇

内罗毕的政府气象学家等用户可以利用地面温度和湿度等本地数据以及免费卫星数据来增强这些模型，从而针对特定地理区域定制预报。肯尼亚气象部门正在与牛津大学、欧洲中期天气预报中心、谷歌和世界粮食计划署合作开发人工智能模型，提高降雨预报的准确性。一个 

在肯尼亚气象部门使用的五个传统模型中，有四个仅提供旺加里密切研究的免费图表和地图。访问预测数据需要支付许可费或拥有一台用于运行模型的超级计算机。相反，她和她的同事分析他们收到的开源数据以确定即将发生的情况。与牛津大学合作开发的机器学习模型使他们能够评估实际的预测数据，以确定极端天气的可能性。“我们第一次能够进行所谓的概率预测，”她说。“如果你给人们提供某件事发生的可能性，人们就更有可能采取行动。”

– 现在我们可以说， – 该地区将在未来 24 小时内经历 2 英寸的降雨量，并且超过该阈值的可能性为 75%， – –她说。

人工智能模型只需几分钟即可产生预测，从而提供运行更多预测和调查的能力更广泛的可能结果。这使得当局可以玩麦戈文所说的“假设游戏”，并说，“如果发生这种情况，我们需要疏散该地区”，或者“如果发生这种情况，我们可能想要采取这一行动。 – 他们可以预测最可能的情况或为最坏的情况做好准备，例如，先发制人地疏散残疾人。 

牛津大学开发和旺加里使用的机器学习方法已经证明比其他方法更有效的降雨量预报。这并不罕见。Google 的 GenCast、上个月揭晓，优于传统预测模型1,320 个指标中的 97%。它的前身 GraphCast 证明了更准确比由欧洲中期天气预报中心运营的世界首屈一指的传统工具。“人工智能产生的结果比基于物理的模型好得多，”欧洲中心副主任弗洛里安·帕彭伯格（Florian Pappenberger）说，该中心计划今年推出自己的人工智能模型。它的速度也更快。GenCast 在 8 分钟内生成了 15 天的天气预报，NVIDIA 声称其 FourCastNet 比数值天气预报快 45,000 倍。

事实证明，人工智能在预测飓风路径方面更加准确。一位 Google 科学家表示，GraphCast 正确预测了 2023 年 9 月席卷北大西洋的飓风李将在袭击新斯科舍省前九天登陆，比传统预测方法提前三天预测告诉英国《金融时报》。牛津项目的气候研究员施鲁蒂·纳斯表示，两个机器学习模型密切预测了飓风米尔顿穿越墨西哥湾的路径，尽管它们低估了风暴的阵风和气压。然而，随着错误的纠正和模型的微调，这些工具预计会得到改进。

当然，预测的作用取决于预测所导致的预期行动。内斯说，开发这些技术的研究人员必须与当地气象学家和其他具有区域专业知识的人合作，了解它们对社区的意义并做出相应的反应。

关于机器学习如何预测百年一遇的洪水等边缘情况，这些问题超出了用于训练它们的数据集，这一点仍然存在疑问。然而，“它们实际上比我们许多人最初预测的要好得多”，帕彭伯格说。“也许他们学到的物理知识比我们想象的要多。”这些工具还不能产生预报员通常使用的所有输出，包括云量、雾和降雪，但 Pappenberger 有信心这些结果会出现时间。

阅读下一篇

用户还可能受益于混合模型，例如谷歌的 NeuralGCM，它将机器学习与物理学相结合，这种方法提供了人工智能的优势，如速度、长期预测能力和数值天气预报的其他优势。

虽然改进的预测旨在帮助应对气候变化，但它们也有助长气候变化的风险。运行人工智能所需的数据中心消耗大量能源，以至于公司喜欢谷歌和微软正在诉诸核能植物来提供它。尽管如此，运行数值天气预报所需的超级计算机也是能源密集型的，而 GraphCast可能便宜1,000倍在能源消耗方面。

麦戈文认为，为了实现人工智能模型使预测民主化的潜力，跨部门合作将是关键。训练模型所需的计算能力主要取决于行业，而学术界（编写大量代码并在公共软件平台 GitHub 上提供这些代码）拥有不必提供季度报告的奢侈，并且她解释说，政府作为最终用户，知道拯救生命需要什么。

目前，研究人员和私营部门正在密切合作以完善这项技术。“有大量的合作，大量的相互复制，并试图根据其他人的成果进行改进，”帕彭伯格说。其中许多工具可供研究人员免费使用，但其他人的可访问性各不相同免费低成本到价格取决于所使用的功能或购买的特定硬件。尽管如此，这些模型比超级计算机更便宜，并且允许像肯尼亚气象局这样的实体快速、轻松地创建适合当地需求的预报，而成本只是基于物理的模型的一小部分。

使用传统工具制作与内罗毕或蒙巴萨等地的人们相关的预测需要放大全球地图以获取更多详细信息，然后手动分析大量数据。“通过机器学习，只要有准确的坐标，就可以对特定点进行预测，”她说。这将使她和其他从事类似工作的人更容易了解天气变化，并最终拯救生命。