Google DeepMind的研究团队开发了一款名为GenCast的人工智能（AI）模型，该模型在天气预报领域取得了革命性的进展。GenCast能够在短短8分钟内生成一组随机的15天全球预报，时间步长为12小时，分辨率达到0.25°，覆盖超过80种地表和大气变量。在97.2%的评估指标上，GenCast的表现优于目前全球最好的中期预报系统——欧洲中期天气预报中心（ECMWF）的集合预报（ENS），尤其在极端天气预报、热带气旋路线和风能产量的预测上更为有效。
GenCast是一个全新的概率天气预报模型，通过条件扩散模型生成一系列可能的天气场景。其核心能力在于建模未来天气状态的条件概率分布，即基于当前和之前的天气状态生成未来的预报。这一方式允许GenCast以更快的速度和更高的精度提供全球范围15天概率性天气预报。
GenCast的架构包括编码器、处理器和解码器三大模块。编码器将初始天气状态映射到一个经过6次精细划分的球形网格上，处理器通过图transformer在网格节点间捕捉复杂的时空相关性，而解码器则将结果重新映射回全球纬经度网格，生成最终的天气预报。
研究团队利用ERA5再分析数据对GenCast进行了训练，这一数据集包含40年间全球范围内的最佳天气估计分析结果，确保了模型的泛化能力和对历史天气模式的深度理解。在与其他系统对比的实验中，GenCast生成的天气样本更接近实际观察值，预报分布覆盖了可能的多种情景，为用户提供了对潜在风险的更全面理解。
GenCast在多个气象变量的边际分布预报中表现优于ENS，特别是在短期预报（1至5天）中效果显著。同时，GenCast在预报高温、强风等极端天气时同样表现卓越。研究显示，GenCast的边际分布预报展现了良好的校准能力，这意味着它能够准确地识别预报中可能存在的错误或偏差，为用户提供更可靠的天气决策支持。
除了边际预报，GenCast在联合预报方面也展现了令人瞩目的表现。联合预报关注天气变量间的空间和时间相关性，对于捕捉全局天气系统的动态特性至关重要。例如，在热带气旋轨迹预报方面，GenCast能够生成具有时空一致性的天气样本，精准地捕捉这些复杂的相关性，从而生成精确预报。
尽管GenCast在精度与效率上实现了双重突破，但仍有进一步优化空间。例如，提高分辨率以匹配未来升级的ENS系统，或者通过蒸馏技术降低计算成本。此外，结合操作性数据进行微调或融入更多传统NWP的初始条件处理方法，亦可显著提升其实用性。
AI作为改善极端天气预报的更快、更便宜的替代方案，一向在天气预报领域被寄予厚望。随着AI技术的发展，预计在不久的将来，AI驱动的天气预报将以更快的速度与更高的准确率在灾害预警、能源规划和气候适应等方面发挥更大的作用，为人类应对日益复杂的气候挑战提供更强大的工具。
论文链接：https://www.nature.com/articles/s41586-024-08252-9
评论 ( 0 )