新形势下的预测：人工智能将提升极端天气预警能力

天气预报是一门棘手的业务。我们依赖它来规划日常活动，为自然灾害做准备，甚至决定每天穿什么衣服。然而，尽管技术取得了进步，我们只能获得大约未来10天的预测。

为什么呢？大气和地表条件的微小变化可能会引发更大、更难以预测的天气模式变化。

例如，考虑一下2021年6月毁灭性的美国太平洋西北地区热浪。电线融化了，农作物被毁坏了，数百人失去了生命。更长的预报提前时间本可以有助于社区更好地为极端高温做准备。

天气预报中的伴随模型

气象科学家通常会使用伴随模型来评估预报对初始条件误差的敏感性。你有没有想过一点点初始条件的变化会影响什么呢？温度或者大气水蒸气可以改变预测结果？

这些模型有助于回答这个问题。它们阐明了初始条件与预测误差之间的联系。因此，科学家可以进行调整，直到他们发现能够产生最准确预测的初始条件集合。

然而，有一个障碍。运行这些模型需要大量的财务和计算资源。而且它们只能测量未来五天的敏感性。

深度学习在天气预报中的应用

研究人员在大气科学系华盛顿大学的研究人员一直在探索深度学习是否能提供一种更高效且更精确的方法来确定为期10天的天气预报的最佳初始条件。

为了验证他们的假设，专家们模拟了2021年6月太平洋西北部热浪灾难的预测。他们使用了两种不同的预报模型：谷歌深度思维的GraphCast模型和华为云的Pangu-Weather模型。

科学家们想检查这些模型是否运行相似，以及它们与标准相比的表现如何热浪的实际事件为了确保结果无偏见，他们从用于训练模型的数据集中排除了热浪数据。

先进模型的评估

研究人员对GraphCast和Pangu-Weather模型的输出与2021年6月热浪期间的实际气象数据进行了严格的比较。

他们关注温度预测的准确性、模型预见极端条件的能力以及它们的计算效率。

初步结果显示，两种模型都表现出很高的准确性，其中盘古天气在长期温度预测方面略胜一筹。

高级模型在提高预测准确性并重新安排其交付时间方面显示出令人鼓舞的潜力，为提供有价值的见解突发情况例如热浪。

天气预报的未来

深度学习模型如GraphCast和Pangu-Weather的实施标志着气象学领域的一个关键转变，承诺提供更准确和及时的预报。

然而，挑战仍然存在，特别是在确保这些模型能够实时处理大规模数据集并无缝集成到现有的预测框架中。

此外，气象学家、数据科学家和政策制定者之间需要加强合作，以最大化这些技术进步的实用性。

随着研究的不断展开，这些新颖的方法有望革新天气预报，从而提高社区应对气候异常的准备和韧性。

深度学习的扩展

扩展深度学习方法进行全球天气预报需要一个全面的战略来管理数据异质性、计算强度和能源消耗。

庞大的多样化的数据来源——从卫星图像到海洋传感器读数——要求模型能够协调不同分辨率和格式的输入。

处理如此庞大和多样化的数据集所需的计算能力是巨大的，这引发了人们对能耗密集型过程带来的环境影响的担忧。

因此，研究人员正在探索节能算法和创新硬件解决方案以缓解这些挑战。此外，迫切需要强大的验证框架以确保这些模型在不同的气候区域和条件下的通用性。

人工智能驱动的天气预报

在天气预报中引入人工智能带来了一些需要仔细审查的伦理考量。

主要的问题是数据隐私，因为复杂的数据显示集通常包含敏感的地理位置信息。此外，还存在算法偏见的风险，由于数据收集中的差异会导致预测偏差，从而不成比例地影响某些人群或地区。

透明性和问责制对于确保公平地获取先进的预测技术在AI决策过程中的应用是必不可少的。技术.

预测误差减少

结果令人惊叹。利用深度学习来确定最佳初始条件，使得GraphCast模型在10天预报误差上减少了惊人的94%。

当该方法应用于盘古天气模型时，也观察到了类似的错误减少。令人惊讶的是，新技术甚至改善了多达23天的预报准确性。

因此，我们是否站在天气预报新时代的门槛上？我们可以期待不仅更准确，而且提前时间更长的预测吗？如果研究结果可以作为参考，这或许不会太遥远。

该研究发表在期刊上地球物理研究通讯.

—–

你喜欢你读到的内容吗？订阅我们的通讯newsletter请改为Newsletter，保持原样以符合格式要求： 订阅我们的Newsletter获取参与的文章、专属内容和最新更新。

查看我们的网站在地球快照，由带来的一款免费应用埃里克·拉尔斯以及Earth.com。

—–