气象预测AI成为减灾的关键？

自20世纪80年代以来，随着超级计算机技术的实用化，天气预报的精度越来越高。

天气预报是基于观测到的温度、气压等数据，通过计算大气运动和水蒸气流动等物理变化来进行预测的。超级计算机的出现使得进行大量计算成为可能，从而极大地提高了天气预报的准确率。这种方法被称为“数值天气预报”（NWP），但它的问题是需要消耗大量的计算时间。比如，预测10天后的天气，就需耗费数小时的计算时间。

1分钟就能完成10天后的天气预测?

AI作为解决这一问题的技术，正在引起人们的关注。例如，GraphCast是Google DeepMind于2023年11月推出的气象预测AI，只需1分钟就能预测10天后的天气。而且，其预测精度超过了欧洲中期天气预报中心（ECMWF）使用高分辨率预报系统（high-resolution forecasts，HRES）提供的传统天气预报。

 图源：pixabay 

GraphCast为何这么强？

GraphCast基于ECMWF公开的过去40年的庞大气象数据，自主建立了全球范围内的气象模式和规律的模型。这样就不需要像过去那样根据物理法则进行复杂的数值计算，大大缩短了计算时间。

GraphCast还采用了“图神经网络”（graph neural network,GNN）的深度学习技术。它学习不同地点之间的关系，并将其应用于天气预报。例如，它可以精准地预测一个地点的气压变化将如何影响远处地点的气压。通过这一方法，才使我们能够对局部天气做出预报。

还能预测长期的气象变化？

AI不仅能用于中短期天气预测，而且能用于建立预测几十年长期气候变化的模型。目前，长期天气预测主要依赖一种被称为“大气环流模型”（general circulation model，GCM）的模型，它通过物理法则计算全球的大气和海洋运动。尽管如此，这一过程仍需要超级计算机投入大量的计算时间，并且还面临着无法精确模拟云的形成和降水等小尺度现象的挑战。

NeuralGCM又是什么？

Google Research于2024年7月发布了一种将GCM与机器学习技术相结合的新型气象预测模型——NeuralGCM。这种模型利用AI（深度学习）弥补了传统物理模型（如GCM）在预测小规模气象现象上的不足，从而显著提升了预测精度。例如，它能够比以前的一些物理模型更准确地再现过去40年（1980～2020）的全球气温变化。

此外，进行2020年全年的气候模拟时，该模型几乎精确地预测了热带气旋（如台风）的路径和发生频率。在计算时间上，与传统的物理模型需要19天才能完成模拟相比，NeuralGCM仅用8分钟就完成了任务。这表明NeuralGCM在精度和计算速度两个方面，均优于多个传统模型。

随着全球变暖的加剧，台风、暴雨、酷暑等异常气象的发生概率将显著增加。这些现象通常会在短时间内发生在局部地区，因此，擅长预测小规模气象过程的AI技术变得尤为关键。人们期待，从现在起AI能够成为减少灾害发生的重要手段。