華盛頓大學的新研究正在使用深度學習改進 AI 天氣模型，以實現更準確的預測和更長期的預報。該研究發表在《地球物理研究快報》上，展示了如何調整初始大氣數據可以使先進的 AI 模型延長目前的預報限制。由於氣候變化，極端天氣變得越來越嚴重和頻繁，為政府、企業、公眾和緊急救援人員提供更多時間來為洪水、熱浪或颶風等自然災害做好準備，可以幫助減少生命和財產損失。

“如果一個完美的氣象模型給出了稍微不完美的初始條件，誤差會隨著時間的推移而累積，導致不準確的預測，”主要作者、華盛頓大學博士候選人 Trent Vonich 說。“這在對地球大氣等混沌系統進行建模時尤其如此。最近，人們非常關注製作更好的模型，而有點忽略了完美模型只是問題的一半。機器學習模型幫助我們解決了這個問題，因為它們是端到端的完全可微分的，使我們能夠捕捉輸入和輸出之間的非線性相互作用——這是傳統技術無法做到的。”

雖然最先進的 AI 天氣預報系統，如 Google 的 GraphCast 和華為的 Pangu-Weather，可以可靠地預測未來 10 天的天氣，但它們受到輸入系統的初始數據準確性的限制。

這些模型是在包含數百萬 TB 資訊的大規模 ERA5 再分析數據集上訓練的。該數據集捕獲了全球 37 個壓力級網格上的每小時溫度、風速、濕度、氣壓、降水量和雲量。它包括歷史天氣狀況（可追溯到 1979 年）和近實時數據。

研究人員專注於改進導致 2021 年太平洋西北部熱浪的初始大氣變量，以提高對這一極端事件的準確性。他們使用 GPU 加速的 JAX 框架應用非線性優化來優化數據。

據 Vonich 說，在 NVIDIA A100 Tensor Core GPU 上執行 100 次初始條件更新只需 20 分鐘。

圖 1. 2021 年 6 月 30 日大氣模式和溫度異常的比較，用於 ERA5 再分析和 GraphCast 10 天預報，使用 2021 年 6 月 20 日的控制、全局優化和區域優化初始條件。

研究人員使用 2021 年太平洋西北部熱浪期間捕獲的大氣數據測試了其框架的準確性，該數據集被排除在原始訓練數據集之外。優化的數據將 10 天預報誤差降低了 90%，成功預測了熱浪的強度和時間。它還將預測窗口延長了一倍以上，將未優化的預報改進到提前 23 天。

Vonich 說：“這項研究可能表明，更準確的天氣觀測和測量可能與開發更好的模型一樣重要。如果這種技術可用於識別初始條件中的系統性偏差，它可能會對改善業務預報產生直接影響。此外，更多的提前時間可以為社區提供更好的準備。航空、航運和無數其他行業也依賴於準確的天氣預報。改進可以為他們帶來經濟利益。”

閱讀完整新聞故事  https://eos.org/research-spotlights/machine-learning-could-improve-extreme-weather-warnings
跟進研究  https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024GL110651#pane-pcw-figures

*與NVIDIA產品相關的圖片或視頻（完整或部分）的版權均歸NVIDIA Corporation所有。