我們也許正在經歷著2009年以來最復雜的春運天氣。近期，我國中東部地區迎來持續大范圍雨雪冰凍天氣，2月4日更是大風、大霧、暴雪、冰凍四預警齊發，部分地區高鐵、高速、航班等交通出行均受到不同程度的影響。對於即將回傢或正在回傢路上的人來說，返鄉的路程十分漫長。
圖｜全國春運道路安全出行天氣地圖（來源：央視新聞）
近年來，異常高溫、海嘯、臺風（颶風）、洪水、冰雹等極端天氣，也同樣給人們的經濟生活造成巨大負面影響。
如何及時、準確地預測短時和未來的天氣狀況，已成為科學傢們試圖努力攻破的重要課題之一。
當前，隨著人工智能（AI）大模型的不斷發展，大型 AI 氣象預測模型（Large AI Weather forecast Model，LWMs）已經成為中程天氣預測的關鍵組成部分，在上述極端天氣事件的預測中的表現要優於傳統數值天氣預報。
其中，表現亮眼的 AI 模型包括：華為的盤古氣象（Pangu-Weather）、Google DeepMind 的 GraphCast，以及 FengWu 和 FuXi AI 等。
為什麼 AI 可以預測天氣？
這些 AI 模型之所以如此強大，是因為它們能夠深入挖掘天氣數據中的復雜關系和模式。
其中一個顯著的優勢是，這些 AI 模型能夠通過數以億計的參數，更精準地捕捉和模擬大氣中的微小變化，因而在復雜氣象條件下表現出色。
同時，這些 AI 模型的工作原理也是其卓越性能的關鍵。相較於傳統的數值天氣預報模型，它們采用全新的學習策略。通過對歷史數據進行深度學習，AI 模型能夠不斷自我優化，逐漸提高對大氣動力學和氣象學的理解。這種迭代的學習過程，使得 AI 模型能夠更好地適應不同的氣象條件，並迅速反應氣候變化的復雜性。
（來源：Pixabay）
值得一提的是，這些 AI 模型不僅僅是機械地對數據進行擬合，還展現出強大的泛化能力。也就是說，它們不僅能夠精確地預測過去出現的天氣情況，還能在未來的未知條件下進行可靠的預測。這依賴於模型對於不同時間尺度和空間尺度的深刻理解，使其能在極端天氣事件預測中起到重要作用。
此外，這些 AI 模型還采用先進的計算架構，如圖神經網絡（Graph Neural Networks，GNN）和 Transformer 模型。這些先進的計算架構使得 AI 模型能夠更好地處理復雜的氣象數據，以及數據之間的復雜關系，從而提高預測的準確性。通過多層次、多尺度的學習，模型能夠更全面地理解大氣系統的運行機制，為準確的天氣預測奠定堅實基礎。
AI 如何引發天氣預報的第二次革命？
傳統數值天氣預報模型通常需要大量計算資源，而 AI 模型利用 GPU 或 TPU 大大提高計算效率。
這使得我們可以構建高分辨率的集合預報，大幅度超越傳統模型的局限。同時，這些 AI 模型的用戶友好性和開源特性，使個人用戶能夠在個人電腦上輕松進行定制天氣預報，使信息的傳播變得更加高效便捷。
以 FengWu-GHR 模型為例，其成功解決高分辨率訓練數據的缺乏和過於平滑的預測問題。據介紹，它 FengWu-GHR 第一個基於機器學習的全球最高分辨率數值天氣預報模型。
圖｜FengWu-GHR 的結構。a）從低分辨率的長期歷史再分析數據中學習物理定律；b）一種外推方法，使預訓練的 LR 模型能夠在高分辨率分析場上運行；c）一種遷移學習算法，可以補充預訓練模型，以捕獲小規模天氣現象。；d）在每個步驟的參數級別上實施低秩適應，以提高長期推出期間的預測技能。
據介紹，FengWu-GHR 是第一個能夠在 0.09° 水平分辨率下運行的機器學習全球數值天氣預報模型，將格點密度提高大約八倍，為更準確、更精細的全球天氣預測提供堅實的技術基礎。
它采用一種新穎的方法，即從一個預訓練的低分辨率模型中繼承先驗知識。這個策略為高分辨率的天氣預測模型提供寶貴的啟示，實現先進模型之間的信息傳遞，為高分辨率預測提供新的可能。
為更好地捕捉小尺度天氣現象，FengWu-GHR 引入區域增強模擬（RES）模塊。這一模塊通過分解和組合式遷移學習，對局部的註意力機制進行操作，從而提高對小尺度天氣模式的感知能力，進一步提高高分辨率預測的技能得分。
針對長導向預測中可能出現的誤差累積問題，FengWu-GHR 引入低秩適應（LoRA）方法。這一方法獨立地微調每個預測步驟的參數，確保在微調的同時保持先前訓練參數的完整性，有效地解決以往方法中存在的一些限制。
當然，AI 模型在全球海洋波浪預測中也有用武之地。
全球海洋波浪預報一直是航海、漁業和海洋資源管理等領域至關重要的信息之一。傳統的方法往往受制於計算資源和復雜的海洋動力學，而 AI 為這一領域帶來新的可能性。
FuXi AI 模型由復旦大學團隊提出，采用創新的級聯方法，整合三個經過精心調試的 U-Transformer 模型，這三個模型分別在 0-5 天、5-10 天和 10-15 天的導報時段進行優化。
據介紹，該模型的獨特之處在於，通過級聯這些模型，生成全面的 15 天天氣預報，顯著提高中期天氣預報的準確性和可靠性。
這個 AI 模型被成功應用於全球海洋波浪的多個方面，涉及三個主要組成部分：有效波高（SWH）、平均波周期（MWP）和平均波方向（MWD）。研究者采用 ERA5 再分析數據集，提供 1 度分辨率的全球范圍數據，以及 NOAA 的地球地形數據集，用於固定地形邊界。
此外，FuXi AI 模型采用 Vision Transformer（ViT）作為編碼器。ViT 模型對於小尺度波浪的預測具有卓越的精度，相對誤差在 1 天的導報中保持在 5% 左右。
值得註意的是，對於大於 6 米的極端海洋波浪的預測，ViT 模型的均方根誤差（RMSE）超過 1 米。這表明，盡管模型在普通海況下表現優異，但在極端情況下的準確性仍有提升空間。
然而，在模擬臺風引起的大波浪方面，ViT 模型在 1、4 和 7 天的導報中顯示出色的預測性能，最大波高的預測誤差僅約為 1 米。
FuXi AI 模型的創新之處在於，它綜合考慮諸如總降水等診斷性量的預測。研究團隊借助 FuXi 框架進行廣泛研究，開發一系列模型，包括 FuXi-extreme 和 FuXi-S2S。這些模型在不同預報時間尺度上都表現出色。
盡管 AI 模型為天氣預報帶來巨大的希望，但在其發展過程中仍然面臨一些挑戰。
其中之一是數據質量控制和同化，關鍵在於減少對動力模型分析數據的依賴，更註重實時數據輸入。同時，確保集合預報的可靠性，如何有效設計與 AI 模型特性和物理法則相一致的初值擾動方案，也是亟需解決的問題。
圖｜大型 AI 模型與動態模型的可能集成示意圖，用來改善天氣預報。
不可否認的是，AI 模型將成為未來天氣預報的重要組成部分，但與傳統數值天氣預報模型協同發展也至關重要。它們的融合將提高我們對大氣動力學的理解，為更全面、可靠的天氣和氣候變化預測奠定基礎。
未來，我們期待見到更多關於 AI 預測天氣的最新研究，共同見證這場天氣預報的科技變革。