昨天，谷歌DeepMind與谷歌研究團(tuán)隊(duì)正式推出交互式氣象平臺(tái)Weather Lab，用于共享人工智能天氣模型。

圖片

在熱帶氣旋路徑預(yù)測(cè)方面，谷歌這次的新模型刷新SOTA，是首個(gè)在性能上明確超越主流物理模型的AI預(yù)測(cè)模型。

圖片

論文鏈接：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/how-we-re-supporting-better-tropical-cyclone-prediction-with-ai/skillful-joint-probabilistic-weather-forecasting-from-marginals.pdf

博客鏈接：https://deepmind.google/discover/blog/weather-lab-cyclone-predictions-with-ai/

項(xiàng)目地址：https://deepmind.google.com/science/weatherlab

熱帶氣旋極其危險(xiǎn)，所經(jīng)之處，徒留廢墟。

2024年10月8日NOAA GOES?16衛(wèi)星捕獲的颶風(fēng)Milton影像

據(jù)世界氣象組織統(tǒng)計(jì)，在過去50年中，熱帶氣旋造成了1.4萬(wàn)億美元的經(jīng)濟(jì)損失，共造成1945次災(zāi)難，奪去約80萬(wàn)人生命。而且受此威脅的人數(shù)，還在攀升。

這些龐大且旋轉(zhuǎn)的風(fēng)暴，也被稱為颶風(fēng)或臺(tái)風(fēng)，通常在溫暖的海洋水域形成，由熱量、濕度和對(duì)流共同驅(qū)動(dòng)。

在溫暖的海洋上，當(dāng)水汽冷凝，能量的釋放啟動(dòng)正反饋循環(huán)，熱帶氣旋得以形成

它們對(duì)大氣條件的微小變化極為敏感，因此精準(zhǔn)預(yù)測(cè)其軌跡和強(qiáng)度一直是氣象學(xué)界公認(rèn)的難題。然而，提高氣旋預(yù)測(cè)準(zhǔn)確性將有助于通過更有效的防災(zāi)準(zhǔn)備和及時(shí)疏散來(lái)保護(hù)受災(zāi)社區(qū)。

圖片

論文鏈接：https://uhero.hawaii.edu/wp-content/uploads/2023/09/hurricane_forecasts-7.pdf

提前15天50種天氣推演

Weather Lab平臺(tái)搭載了基于隨機(jī)神經(jīng)網(wǎng)絡(luò)的最新AI熱帶氣旋模型，可預(yù)測(cè)氣旋生成、移動(dòng)路徑、強(qiáng)度變化、規(guī)模及形態(tài)特征——

最多能提前15天生成50種可能的情景推演。

圖片

以下動(dòng)畫展示了AI模型預(yù)測(cè)結(jié)果。

當(dāng)颶風(fēng)「洪德」和「加朗斯」在馬達(dá)加斯加以南海域活動(dòng)時(shí)，模型（藍(lán)色軌跡）準(zhǔn)確預(yù)測(cè)了它們的移動(dòng)路徑。

該模型還成功捕捉到印度洋上「裘德」和「伊馮」兩個(gè)氣旋的未來(lái)軌跡——

提前近七天就穩(wěn)健預(yù)測(cè)出最終會(huì)增強(qiáng)為熱帶氣旋的暴風(fēng)雨區(qū)域。

實(shí)時(shí)與歷史氣旋預(yù)測(cè)

Weather Lab展示了不同AI天氣模型的實(shí)時(shí)與歷史氣旋預(yù)測(cè)，同時(shí)也包括來(lái)自歐洲中期天氣預(yù)報(bào)中心（ECMWF）的物理模型預(yù)測(cè)。

目前，他們有多個(gè)AI天氣模型在實(shí)時(shí)運(yùn)行：WeatherNext Graph、WeatherNext Gen以及最新的實(shí)驗(yàn)性氣旋模型。Weather Lab還提供了超過兩年的歷史預(yù)測(cè)數(shù)據(jù)，供專家和研究人員下載和分析，從而外部評(píng)估模型在所有海洋流域的表現(xiàn)。

下面的動(dòng)畫展示了新模型對(duì)Alfred氣旋在珊瑚海成為三級(jí)氣旋時(shí)的預(yù)測(cè)。

模型的集合均值預(yù)測(cè)（粗藍(lán)線）準(zhǔn)確預(yù)見到Alfred氣旋迅速減弱為熱帶風(fēng)暴，并于七天后在澳大利亞布里斯班附近登陸的過程，同時(shí)準(zhǔn)確預(yù)測(cè)在昆士蘭海岸登陸的高概率區(qū)域。

Weather Lab用戶可以探索并比較各類AI與物理模型的預(yù)測(cè)。當(dāng)這些預(yù)測(cè)被綜合考慮時(shí)，有助于氣象機(jī)構(gòu)和應(yīng)急服務(wù)專家更好地預(yù)判氣旋路徑與強(qiáng)度，從而更好地應(yīng)對(duì)不同情景，傳播風(fēng)險(xiǎn)信息，并支持管理氣旋影響的決策。

使用該工具時(shí)，請(qǐng)牢記下面提醒，尤其是在依據(jù)Weather Lab的預(yù)測(cè)做出決策時(shí)：

Weather Lab是一款研究工具。展示的實(shí)時(shí)預(yù)測(cè)由仍在開發(fā)中的模型生成，并非官方預(yù)警。

如需獲取官方天氣預(yù)報(bào)和預(yù)警，請(qǐng)咨詢當(dāng)?shù)貧庀髾C(jī)構(gòu)或國(guó)家氣象服務(wù)部門。

AI驅(qū)動(dòng)的氣旋預(yù)測(cè)

在基于物理的氣旋預(yù)測(cè)中，要滿足操作需求所需的近似處理，單個(gè)模型難以同時(shí)準(zhǔn)確預(yù)測(cè)氣旋路徑和強(qiáng)度。

這是因?yàn)闅庑窂接纱蟪叨却髿庖龑?dǎo)流控制，而氣旋強(qiáng)度則取決于其緊湊核心內(nèi)外的復(fù)雜湍流過程。

全球低分辨率模型在預(yù)測(cè)氣旋路徑方面表現(xiàn)最佳，但無(wú)法捕捉控制氣旋強(qiáng)度的精細(xì)過程，因此需要區(qū)域高分辨率模型的輔助。

這次谷歌團(tuán)隊(duì)發(fā)明了FGN，這是一種新型的架構(gòu)、訓(xùn)練和推理方法相結(jié)合的天氣概率建模方法，速度更快、靈活性更高。

FGN分別通過不同機(jī)制建模認(rèn)知不確定性與隨機(jī)性不確定性（見下圖1）：前者通過模型集成實(shí)現(xiàn)，后者則采用與隨機(jī)函數(shù)相關(guān)的技術(shù)。

在熱帶氣旋路徑預(yù)測(cè)方面，F(xiàn)GN的平均路徑預(yù)測(cè)和路徑概率預(yù)測(cè)均顯著優(yōu)于現(xiàn)有模型（?? < 0.05），是首個(gè)在性能上明確超越主流物理模型的AI預(yù)測(cè)模型。

圖 1 | FGN生成過程概覽：從一對(duì)輸入幀（?????:???）生成單步預(yù)測(cè)集合的流程

在兩個(gè)層級(jí)上， FGN引入多樣性，分別建模不確定性中的隨機(jī)性（aleatoric uncertainty）與認(rèn)知不確定性（epistemic uncertainty）。

對(duì)于某個(gè)特定模型 M??，隨機(jī)性不確定性在預(yù)測(cè)軌跡的每一步中通過采樣一個(gè)低維噪聲向量????引入，該向量用于模型前向傳播過程中的參數(shù)共享?xiàng)l件歸一化。這可以理解為對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)重施加擾動(dòng)，從而獲得參數(shù) ????，因此可視為對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)的采樣。

若要在隨機(jī)性不確定性下生成 N 個(gè)集合成員，只需獨(dú)立地對(duì)N個(gè)不同的 ???? 進(jìn)行條件生成即可。認(rèn)知不確定性通過集成多個(gè)獨(dú)立訓(xùn)練的模型 M?? 的輸出進(jìn)行建模，每個(gè)模型擁有自己的一組參數(shù) {??*??, Δ??}，并按上述方法分別生成集合成員的子集。

評(píng)估結(jié)果

新的實(shí)驗(yàn)性氣旋模型能同時(shí)兼顧路徑與強(qiáng)度預(yù)測(cè)，內(nèi)部評(píng)估顯示它在氣旋路徑與強(qiáng)度預(yù)測(cè)方面目前最佳。

它訓(xùn)練于兩類不同數(shù)據(jù)：

一是由數(shù)百萬(wàn)觀測(cè)數(shù)據(jù)重建的全球再分析數(shù)據(jù)集；

二是包含近45年來(lái)近5,000個(gè)觀測(cè)氣旋的路徑、強(qiáng)度、大小和風(fēng)半徑等關(guān)鍵信息的專業(yè)數(shù)據(jù)庫(kù)。

同時(shí)建模分析數(shù)據(jù)與氣旋數(shù)據(jù)，顯著提升了氣旋預(yù)測(cè)能力。

例如，對(duì)2023和2024年北大西洋與東太平洋流域的NHC觀測(cè)颶風(fēng)數(shù)據(jù)進(jìn)行初步評(píng)估。結(jié)果顯示新模型在五天內(nèi)的氣旋路徑預(yù)測(cè)比ECMW的ENS（全球領(lǐng)先的物理模型集合）平均近140公里，達(dá)到了ENS三天半預(yù)測(cè)的準(zhǔn)確度，相當(dāng)于實(shí)現(xiàn)了1.5天的預(yù)測(cè)進(jìn)展——這一進(jìn)展通常需十年才能達(dá)到。

雖然此前的AI天氣模型在氣旋強(qiáng)度預(yù)測(cè)方面表現(xiàn)不佳，但新的實(shí)驗(yàn)性模型在平均強(qiáng)度誤差上優(yōu)于NOAA（美國(guó)國(guó)家海洋和大氣管理局）的HAFS（區(qū)域高分辨率物理模型）。

初步測(cè)試還表明，新模型對(duì)氣旋大小與風(fēng)半徑的預(yù)測(cè)結(jié)果可與物理模型基準(zhǔn)相媲美。

新模型在路徑與強(qiáng)度預(yù)測(cè)方面的誤差分析，以及與ENS與HAFS比較后的五天內(nèi)平均性能評(píng)估結(jié)果

為決策者提供更有用的數(shù)據(jù)

除了與NHC合作，谷歌還與科羅拉多州立大學(xué)的大氣研究合作機(jī)構(gòu)（CIRA）保持緊密合作。

圖片

CIRA研究科學(xué)家Kate Musgrave博士及其團(tuán)隊(duì)評(píng)估了模型，認(rèn)為「在路徑與強(qiáng)度預(yù)測(cè)方面，與最優(yōu)秀的操作模型相比具有相當(dāng)或更高的能力」。

圖片

Musgrave表示：「我們期待在2025年颶風(fēng)季的實(shí)時(shí)預(yù)測(cè)中驗(yàn)證這些結(jié)果?！?/span>

此外，谷歌還與英國(guó)氣象局、東京大學(xué)、日本W(wǎng)eathernews公司及其他專家合作，共同改進(jìn)我們的模型。

新實(shí)驗(yàn)性熱帶氣旋模型是WeatherNext系列研究的最新里程碑。

谷歌表示他們將持續(xù)收集氣象機(jī)構(gòu)與應(yīng)急服務(wù)專家的重要反饋，提升官方預(yù)測(cè)水平并支持拯救生命的決策。

參考資料：

https://deepmind.google/discover/blog/weather-lab-cyclone-predictions-with-ai/

https://x.com/GoogleDeepMind/status/1933178918715953660