傳統(tǒng)的通用循環(huán)模型（GCMs）在天氣預(yù)報和氣候模擬方面發(fā)揮了重要作用，但在處理特殊狀態(tài)的小尺度時存在局限性，例如，處理云、輻射和降水等未完全解析的物理過程時會使用半經(jīng)驗性參數(shù)化，會導(dǎo)致模型在匹配歷史數(shù)據(jù)時的調(diào)參過程仍然依靠手動設(shè)置，且GCMs自身存在許多持續(xù)的錯誤和偏見。。

所以為了克服這些困難，谷歌提出了基于物理模擬的神經(jīng)通用環(huán)流氣象模型NeuralGCM，并已經(jīng)開源提供給各大氣象機構(gòu)測試和使用。

相比傳統(tǒng)氣象模型，NeuralGCM在預(yù)測暴雨、臺風(fēng)、大干旱、熱帶氣旋等突發(fā)惡劣天氣方面非常出色，能夠使用歷史海表面溫度數(shù)據(jù)準確跟蹤數(shù)十年的氣候指標。

開源地址：https://github.com/google-research/neuralgcm

動態(tài)核心相當于NeuralGCM模型的“心臟”，這是一個基于物理的數(shù)值求解器，負責解決大氣的流體動力學(xué)和熱力學(xué)方程。

動態(tài)核心采用偽譜方法進行水平離散化，結(jié)合垂直的sigma坐標系統(tǒng)，有效地捕捉大氣中的波動和渦旋現(xiàn)象。能夠處理包括風(fēng)的渦度和散度、溫度、地表壓力以及水分形態(tài)等多種預(yù)報變量，為氣象模型提供了堅實的物理基礎(chǔ)。

NeuralGCM的物理模擬模塊通過深度學(xué)習(xí)技術(shù)，特別是神經(jīng)網(wǎng)絡(luò)的應(yīng)用，對那些傳統(tǒng)GCMs難以捕捉的小尺度過程進行了有效的參數(shù)化。這些小尺度過程，包括云層的形成、輻射傳輸、降水等，對于天氣模式的形成、預(yù)測至關(guān)重要。NeuralGCM通過單列方法，為每個大氣柱提供定制化的預(yù)測，顯著提高了模型對這些復(fù)雜現(xiàn)象的捕捉能力。

NeuralGCM的神經(jīng)網(wǎng)絡(luò)架構(gòu)是其智能適應(yīng)性能的關(guān)鍵。全連接的神經(jīng)網(wǎng)絡(luò)，配備殘差連接，使得網(wǎng)絡(luò)的輸入可以直接影響輸出，從而提升了模型的學(xué)習(xí)能力。

網(wǎng)絡(luò)的輸入?yún)?shù)包括預(yù)報變量、太陽輻射、海冰濃度和海表面溫度等，而其輸出則為預(yù)報變量的傾向性，這些傾向性進一步用于更新動態(tài)核心的狀態(tài)。

為了確保NeuralGCM能夠與現(xiàn)有的氣象數(shù)據(jù)集無縫集成，研究人員開發(fā)了編碼器和解碼器。這些組件在壓力坐標和sigma坐標系統(tǒng)之間架起了橋梁，使得模型可以準確地使用和預(yù)測數(shù)據(jù)。

編碼器負責將觀測數(shù)據(jù)轉(zhuǎn)換為模型的初始條件，而解碼器則在模型完成時間步進后，將預(yù)測結(jié)果轉(zhuǎn)換回我們熟悉的壓力水平。在預(yù)訓(xùn)練過程中，NeuralGCM采用了端到端的訓(xùn)練方法。通過將模型推進多個時間步，然后使用隨機梯度下降來最小化模型預(yù)測與再分析之間的差異。

研究人員逐漸增加了滾動長度，從6小時到5天，這對于模型在多日預(yù)測的準確性和穩(wěn)定性至關(guān)重要。此外，他們還訓(xùn)練了確定性和隨機的NeuralGCM模型，每種模型都使用了獨特的訓(xùn)練協(xié)議。

隨機模型則還引入了內(nèi)在的隨機性，通過在神經(jīng)網(wǎng)絡(luò)組件中添加隨機場，使用連續(xù)排名概率分數(shù)（CRPS）作為損失函數(shù)，以鼓勵準確性和集合的多樣性。

為了評估NeuralGCM的性能，研究人員進行了一系列的測試，包括均方根誤差、均方根偏差、連續(xù)排名概率得分等。

從功率譜的角度來看，NeuralGCM - 0.7°的功率譜比其他機器學(xué)習(xí)預(yù)測方法更接近ERA5，但仍比ECMWF的物理預(yù)測模糊。隨著分辨率的提高，NeuralGCM的譜變得更準確，這表明在更高分辨率下訓(xùn)練的模型有進一步改進的潛力。

在水預(yù)算方面，NeuralGCM中的平流由動力學(xué)核心處理，機器學(xué)習(xí)參數(shù)化模型模擬大氣垂直列中的局部過程。NeuralGCM可以隔離局部源和匯，從而更便于診斷水預(yù)算。對于短天氣預(yù)測，降水減去蒸發(fā)的平均值具有非常接近ERA5數(shù)據(jù)的現(xiàn)實空間分布。

在地理風(fēng)平衡方面，與GraphCast相比，NeuralGCM更準確地描繪了中緯度地區(qū)驅(qū)動大規(guī)模動力學(xué)的主要力量之間的平衡，地理風(fēng)的垂直結(jié)構(gòu)和非地理風(fēng)以及它們的比率。