编辑 ｜ 萝卜皮
天气预报从根本上来说具有不确定性，因此预测可能发生的天气情景范围对于重要决策至关重要，从警告公众注意危险天气到规划可再生能源的使用。
传统上，天气预报基于数值天气预报 (NWP)，它依赖于基于物理学的大气模拟。基于机器学习 (ML) 的天气预报 (MLWP) 的最新进展产生了基于 ML 的天气模型，其预测误差比单一 NWP 模拟要小。
但是，这些进展主要集中在单一的确定性预测上，这些预测无法反映不确定性和估计风险。总体而言，MLWP 的准确性和可靠性仍然低于最先进的 NWP 集合预报。
Google DeepMind 的研究人员提出了 GenCast，这是一种概率天气模型，其技巧和速度比世界上顶级的中期天气预报、ENS（欧洲中期天气预报中心的集合预报）更高。
GenCast 是一种机器学习天气预报方法，基于数十年的再分析数据进行训练。GenCast 可在 8 分钟内生成一组随机的 15 天全球预报，步长为 12 小时，经纬度分辨率为 0.25°，涵盖 80 多个地表和大气变量。
在团队评估的 1,320 个目标中，有 97.2% 的目标显示出比 ENS 更稳健的预测，并且能更好地预测极端天气、热带气旋轨迹和风力发电。
这项工作有助于开启实用天气预报的下一篇章，其中关键的天气相关决策将更加准确和高效。
该研究以「Probabilistic weather forecasting with machine learning」为题，于 2024 年 12 月 4 日发布在《Nature》。
天气预报在日常生活中发挥着重要作用，协助人们在生产生活中做出关键决策。但是，由于当前天气部门只能部分观测气候，且气象模型存在不完美性，预报总是带有不确定性。
传统的数值天气预报（NWP）方法通过求解大气动力学方程来预测天气，而集合预报（ENS）则通过生成多个预报情景来描述未来可能的天气情况。尽管集合预报能够提供更为精准的概率分布，但它仍存在误差大、计算慢且执行工程复杂等问题。
最近，基于机器学习的天气预报（MLWP）方法，在非概率性预报方面已经表现出比 NWP 更为精准和高效的性能。但是已有的方法通常侧重于预测概率轨迹的均值而非不确定性，并且在长时间预报中效果较差。某些混合 NWP-MLWP 方法如 NeuralGCM 在性能上与传统集合预报相当，但空间分辨率较低。
在最新的研究中，Google DeepMind 的研究人员提出了 GenCast，这是一种全新的 MLWP 方法，其性能明显优于顶级集成 NWP 模型 ENS。它可以生成逼真的单个天气轨迹集成，提供比 ENS 更好的边际预报分布和联合预报分布。
GenCast模型
GenCast 是一种概率天气模型，可生成分辨率为 0.25° 的全球 15 天集合预报，其准确度高于顶级业务集合系统 ECMWF 的 ENS。在 Cloud TPUv5 设备上生成单个 15 天 GenCast 预报大约需要 8 分钟，并且可以并行生成一组预报。
GenCast 根据当前和之前的天气状态对未来天气状态 Xt+1 的条件概率分布 P(Xt+1|Xt, Xt−1) 进行建模。长度为 T 的预测轨迹 X1:T 以初始状态和之前的状态 (X0, X−1) 为条件，并分解连续状态
的联合分布，每个状态都以自回归方式采样。
全球天气状况 X 的表示由等角 0.25° 纬度-经度网格上的 13 个垂直气压水平上的六个地表变量和六个大气变量组成。预报期为 15 天，连续步骤 t 和 t + 1 之间间隔 12 小时，因此 T = 30。
研究人员使用 X 的分析来训练 GenCast，它代表了从观测中推断出的天气状况的最佳估计值。
GenCast 是一种条件扩散模型，它是一种生成式 ML 方法，可以对复杂数据的概率分布进行建模并生成新样本。扩散模型是生成式 AI 领域中许多最新自然图像、声音和视频建模进展的基础。扩散模型通过迭代细化过程进行工作。未来的大气状态 Xt+1 是通过迭代细化候选状态（初始化为纯噪声
）而产生的，该候选状态以之前的两个大气状态（Xt、Xt-1）为条件。
图 1 中的蓝色框显示了如何从初始条件生成第一个预测步骤以及如何自回归生成完整轨迹 X1:T。由于预测中的每个时间步骤都用噪声初始化，因此可以使用不同的噪声样本重复该过程以生成轨迹集合。
图 1：GenCast 如何产生预测的示意图。（来源：论文）
在迭代细化过程的每个阶段，GenCast 都会使用降噪神经网络，该网络经过训练，可使用论文中描述的损失函数消除人为添加到大气状态中的噪声。降噪器的架构包括编码器、处理器和解码器。
GenCast 是基于 1979 年至 2018 年 40 年的最佳估计分析进行训练的，这些分析取自公开可用的 ERA5（第五代 ECMWF 再分析）再分析数据集。
再分析通过计算历史日期和时间的分析来重建过去的天气。在评估 GenCast 时，研究人员使用 ERA5 分析对其进行初始化。
图 2：预报和热带气旋路径的可视化。（来源：论文）
作为一个说明性示例，图 2 b-d、h-j 展示了 GenCast 预测样本，图 2 n-q 提供了一个示例，说明如何将它们用于重要的下游应用，例如预测热带气旋的路径。台风哈吉比斯（2019 年最昂贵的热带气旋）是一个代表性案例研究。
在台风哈吉比斯登陆前 7 天初始化时，GenCast 预测的轨迹表现出较高的不确定性，涵盖了多种可能情景。在较短的预测时间内，GenCast 对气旋路径的不确定性较低，反映出对登陆时间和地点的信心更高。
评估结果
研究人员进行了一系列评估，结果表明，基于 MLWP 的概率天气预报比顶级的基于 NWP 的集合预报 ECMWF 的 ENS 更熟练、生成速度更快。GenCast 在概率天气模型的三个关键要求方面取得了成功：
首先，GenCast 会生成具有真实功率谱的清晰单个天气轨迹集合，而不是条件均值等汇总统计数据集。
图 3 ：GenCast 的边际预测分布非常巧妙且经过良好校准。（来源：论文）
其次，GenCast 的边际预报分布（即针对给定地点和时间的预报）经过精心校准，可提供比 ENS 更精准的预报，包括对极端事件的更准确预报。
第三，GenCast 在几项需要捕捉联合分布中的空间和时间依赖性的评估中表现优于 ENS：汇集评估、区域风电预测和热带气旋路径预测。
图 4：GenCast 在区域风力和热带气旋路径预测方面优于 ENS。（来源：论文）
展望未来
展望未来，GenCast 可以通过多种方式进一步改进其运行设置。GenCast 的分辨率为 0.25°，这是目前全球再分析数据的最大分辨率。但是，将其扩展到更高的分辨率以支持更多应用并匹配升级后的 ENS 分辨率（截至 2023 年中）0.1° 可能会很有用。
作为一种扩散模型，GenCast 在计算上比等效的确定性 MLWP 架构更昂贵，因为它需要多个函数评估来对每个预测时间步进行采样。
为了有效地扩展到更高的分辨率或朝着与 GenCast-Perturbed 和类似模型的计算平价迈进，应该探索提炼和其他效率技术。
此外，先前的研究表明，通过使用操作数据（例如 HRES 分析输入和目标）进行微调，可以进一步提高在再分析上训练的 MLWP 模型的性能。这强调了传统基于 NWP 的数据同化对于 GenCast 提供训练和初始化数据的重要性。
结语
总之，这项研究结果开辟了天气预报的新领域，有望在各种环境下提高准确性、效率和可访问性。
更广泛地说，该工作证明，尖端的生成式人工智能方法可以捕捉丰富的时间动态中非常高维和复杂的分布，具有足够的准确性和可靠性，从而支持关键应用中的有效决策。
论文链接：https://www.nature.com/articles/s41586-024-08252-9