编辑 | ScienceAI
大模型时代，纯数据驱动的景象、天气模型效果逐渐追赶甚至赶超数值形式。
然而，目前景象、天气大模型也仍然存在不少问题。比如物理一致性不高、辐散风预告效果不好等等，这些问题限制了对于降水等复杂天气天气现象的预测能力。
目前，将物理、大气动力与深度学习模型分离成为晋升模型能力，解决目前瓶颈问题的一条重要途径。
近日，中国科学院大气物理钻研所黄刚钻研员团队基于地球系统数值模拟装置（寰）的数据和算力支持，从物理变量耦合关系角度出发，分离图神经搜集对多变量从事物理软制约，晋升了数值形式的降水预告本领，在物理和 AI 的交融目标做了一些测验考试和探索。
钻研以《Coupling Physical Factors for Precipitation Forecast in China With Graph Neural Network》为题，于 1 月 18 日发表在《Geophysical Research Letters》上。
论文链接：https://doi.org/10.1029/2023GL106676
针对降水预告的难点问题，尤其是强降水的预告问题，团队从降水的影响要素和发生机制出发，分离 omega 方程和水汽方程等从事变量筛选、构建变量耦合图搜集。
Omega 方程和水汽方程分别描述了垂直运动和水汽变化，均为影响降水的重要因素。从图搜集的角度来看，前述方程反应了基本的物理量（温、风、湿等）的非线性组合与降水关键要素之间的关系，因而可以将其抽象为图搜集，通过图搜集间变量（节点）和变量间关系来表征不同物理变量间的组合及耦合。
同时，考虑到天气因子对于天气尺度的影响，尤其是不同天气背景下形式误差系统性的差异，该钻研将季节、ENSO 等天气因子和起报时间等稀疏数据使用 entity embedding 技术嵌入校正模型，以区分不同背景下的误差。
此外，针对降水过程，该钻研对图神经搜集 ChebNet 从事局地化改进，使其基本保持效果的同时，避免全局运算，大幅降低计算复杂度。
图 1：omega-GNN 模型示意。（来源：论文）
模型比对结果表明，该钻研提出的两个物理制约模型 omega-GNN 和 omega-EGNN 相较于数值形式，显著晋升各分类降水预告本领，同时其性能优于目前主流的无物理制约深度学习模型（如 U-NET，3D-CNN 等）。
此外，该钻研对所有深度学习模型均从事了十组扰动，使其可以从事集合预告。分离诊断和个例分析发现，物理制约的模型显著优于无物理制约模型，对于强降水的预告，omega-GNN 模型和 omega-EGNN 模型集合间一致性更高，且预告本领更好。
图 2：各模型（a）TS评分，（b-g）相对于数值形式的 TS 差值空间分布（20mm/6h 阈值以上降水）。（来源：论文）
论文通讯作者黄刚钻研员说：「我们团队在天气动力目标有较多积累，近几年在利用 AI 晋升天气天气预测目标做了一些测验考试，相关成果多次获得相关大赛奖项。在 AI 大模型时代下，物理如何与 AI 交融是一个大问题，有许多交融的途径和思路。我们分离大气、天气动力的一些思考，从物理耦合的角度对模型从事软制约，在这个目标上做了一些测验考试，希望可以为相关领域提供一些增量信息。」
该钻研由中国科学院大气物理钻研所硕士生陈昱同、汪亚博士、黄刚钻研员和中国景象局广州热带海洋景象钻研所田群博士合作完成。
参考内容：https://iap.cas.cn/gb/xwdt/kyjz/202401/t20240119_6959543.html