阻止我们春运回家的恶劣天气，AI可以预测吗？

我们也许正在经历着 2009 年以来最复杂的春运天气。

近期，我国中东部地区迎来持续大范围雨雪冰冻天气，2 月 4 日更是大风、大雾、暴雪、冰冻四预警齐发，部分地区高铁、高速、航班等交通出行均受到不同程度的影响。

对于即将回家或正在回家路上的人来说，返乡的路程十分漫长。

图｜全国春运道路安全出行天气地图（来源：央视新闻）

近年来，异常高温、海啸、台风（飓风）、洪水、冰雹等极端天气，也同样给人们的经济生活造成了巨大负面影响。

如何及时、准确地预测短时和未来的天气状况，已成为科学家们试图努力攻破的重要课题之一。

当前，随着人工智能（AI）大模型的不断发展，大型 AI 气象预测模型（Large AI Weather forecast Model，LWMs）已经成为中程天气预测的关键组成部分，在上述极端天气事件的预测中的表现要优于传统数值天气预报。

其中，表现亮眼的 AI 模型包括：华为的盘古气象（Pangu-Weather）、Google DeepMind 的 GraphCast，以及 FengWu 和 FuXi AI 等。

为什么 AI 可以预测天气？

这些 AI 模型之所以如此强大，是因为它们能够深入挖掘天气数据中的复杂关系和模式。

其中一个显著的优势是，这些 AI 模型能够通过数以亿计的参数，更精准地捕捉和模拟大气中的微小变化，因而在复杂气象条件下表现出色。

同时，这些 AI 模型的工作原理也是其卓越性能的关键。相较于传统的数值天气预报模型，它们采用了全新的学习策略。通过对历史数据进行深度学习，AI 模型能够不断自我优化，逐渐提高对大气动力学和气象学的理解。这种迭代的学习过程，使得 AI 模型能够更好地适应不同的气象条件，并迅速反应气候变化的复杂性。

（来源：Pixabay）

值得一提的是，这些 AI 模型不仅仅是机械地对数据进行拟合，还展现出了强大的泛化能力。也就是说，它们不仅能够精确地预测过去出现的天气情况，还能在未来的未知条件下进行可靠的预测。这依赖于模型对于不同时间尺度和空间尺度的深刻理解，使其能在极端天气事件预测中起到重要作用。

此外，这些 AI 模型还采用了先进的计算架构，如图神经网络（Graph Neural Networks，GNN）和 Transformer 模型。这些先进的计算架构使得 AI 模型能够更好地处理复杂的气象数据，以及数据之间的复杂关系，从而提高预测的准确性。通过多层次、多尺度的学习，模型能够更全面地理解大气系统的运行机制，为准确的天气预测奠定坚实基础。

AI 如何引发天气预报的第二次革命？

传统数值天气预报模型通常需要大量计算资源，而 AI 模型利用 GPU 或 TPU 大大提高计算效率。

这使得我们可以构建高分辨率的集合预报，大幅度超越了传统模型的局限。同时，这些 AI 模型的用户友好性和开源特性，使个人用户能够在个人电脑上轻松进行定制天气预报，使信息的传播变得更加高效便捷。

以 FengWu-GHR 模型为例，其成功解决了高分辨率训练数据的缺乏和过于平滑的预测问题。据介绍，它 FengWu-GHR 第一个基于机器学习的全球最高分辨率数值天气预报模型。

图｜FengWu-GHR 的结构。a）从低分辨率的长期历史再分析数据中学习物理定律；b）一种外推方法，使预训练的 LR 模型能够在高分辨率分析场上运行；c）一种迁移学习算法，可以补充预训练模型，以捕获小规模天气现象。；d）在每个步骤的参数级别上实施低秩适应，以提高长期推出期间的预测技能。

据介绍，FengWu-GHR 是第一个能够在 0.09° 水平分辨率下运行的机器学习全球数值天气预报模型，将格点密度提高了大约八倍，为更准确、更精细的全球天气预测提供了坚实的技术基础。

它采用了一种新颖的方法，即从一个预训练的低分辨率模型中继承先验知识。这个策略为高分辨率的天气预测模型提供了宝贵的启示，实现了先进模型之间的信息传递，为高分辨率预测提供了新的可能。

为了更好地捕捉小尺度天气现象，FengWu-GHR 引入了区域增强模拟（RES）模块。这一模块通过分解和组合式迁移学习，对局部的注意力机制进行操作，从而提高对小尺度天气模式的感知能力，进一步提高了高分辨率预测的技能得分。

针对长导向预测中可能出现的误差累积问题，FengWu-GHR 引入了低秩适应（LoRA）方法。这一方法独立地微调每个预测步骤的参数，确保了在微调的同时保持先前训练参数的完整性，有效地解决了以往方法中存在的一些限制。

当然，AI 模型在全球海洋波浪预测中也有用武之地。

全球海洋波浪预报一直是航海、渔业和海洋资源管理等领域至关重要的信息之一。传统的方法往往受制于计算资源和复杂的海洋动力学，而 AI 为这一领域带来了新的可能性。

FuXi AI 模型由复旦大学团队提出，采用了创新的级联方法，整合了三个经过精心调试的 U-Transformer 模型，这三个模型分别在 0-5 天、5-10 天和 10-15 天的导报时段进行优化。

据介绍，该模型的独特之处在于，通过级联这些模型，生成全面的 15 天天气预报，显著提高了中期天气预报的准确性和可靠性。

这个 AI 模型被成功应用于全球海洋波浪的多个方面，涉及三个主要组成部分：有效波高（SWH）、平均波周期（MWP）和平均波方向（MWD）。研究者采用了 ERA5 再分析数据集，提供 1 度分辨率的全球范围数据，以及 NOAA 的地球地形数据集，用于固定地形边界。

此外，FuXi AI 模型采用了 Vision Transformer（ViT）作为编码器。ViT 模型对于小尺度波浪的预测具有卓越的精度，相对误差在 1 天的导报中保持在 5% 左右。

值得注意的是，对于大于 6 米的极端海洋波浪的预测，ViT 模型的均方根误差（RMSE）超过了 1 米。这表明，尽管模型在普通海况下表现优异，但在极端情况下的准确性仍有提升空间。

然而，在模拟台风引起的大波浪方面，ViT 模型在 1、4 和 7 天的导报中显示出色的预测性能，最大波高的预测误差仅约为 1 米。

FuXi AI 模型的创新之处在于，它综合考虑了诸如总降水等诊断性量的预测。研究团队借助 FuXi 框架进行了广泛研究，开发了一系列模型，包括 FuXi-extreme 和 FuXi-S2S。这些模型在不同预报时间尺度上都表现出色。

尽管 AI 模型为天气预报带来了巨大的希望，但在其发展过程中仍然面临一些挑战。

其中之一是数据质量控制和同化，关键在于减少对动力模型分析数据的依赖，更注重实时数据输入。同时，确保集合预报的可靠性，如何有效设计与 AI 模型特性和物理法则相一致的初值扰动方案，也是亟需解决的问题。

图｜大型 AI 模型与动态模型的可能集成示意图，用来改善天气预报。

不可否认的是，AI 模型将成为未来天气预报的重要组成部分，但与传统数值天气预报模型协同发展也至关重要。它们的融合将提高我们对大气动力学的理解，为更全面、可靠的天气和气候变化预测奠定基础。

未来，我们期待见到更多关于 AI 预测天气的最新研究，共同见证这场天气预报的科技变革。