人工智能用于天气预报
![](https://www.encyclopedie-environnement.org/app/uploads/2024/06/Figure-Intro.png)
近些年,人工智能(AI),尤其是基于神经网络的深度学习方法,被成功应用于诸多领域。天气预报就是其中一个前景广阔的应用领域。应用人工智能技术可能会推动预报方法的重大进步,从而显著提高预报准确率。基于已有的初步成果,本文介绍了人工智能在天气预报不同阶段的应用潜力,并探讨了使用该技术带来的新问题和新挑战。
1. 人工智能指什么?
准确定义人工智能本身就是一个难题。本文将人工智能定义为基于数学基础和计算科学的一系列技术,其目标是再现人类智能的某些方面(如推理和创造力)。人工智能并非新生事物,早在 1950 年代就已出现:人类制定一套规则和指令,由机器来执行。如今应用最广泛、最高效的人工智能方法则遵循截然不同的路径:人类不再制定规则,而是开发能够从数据中学习最佳关系或模式的计算机程序。这就是所谓的机器学习,其算法结构主要基于深度神经网络。
![环境百科全书-人工智能预报-神经网络](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig1-400x248.png)
受生物神经元功能的启发,人工神经网络由位于不同层的神经元组成(图 1),将输入信号(如 t 时刻的温度)转换为输出信号(如 t+1 时刻的温度)。在学习(或训练)阶段,神经网络以迭代的方式从数据中学习,解决具体问题(如前,预报一小时后的温度)。实际上,这一步包括校准不同神经元层之间的连接(也称为网络权重),以便为所提出的问题提供最佳解决方案。训练神经网络一方面需要足够大的输入数据集,这些数据集涵盖了变量可能出现的所有情型,另一方面需要大量的计算资源作为支撑。在训练阶段,通过将标记的数据提供给机器学习算法来训练模型。算法会根据输入的数据和输出的标记调整模型的参数,从而使模型能够在未知数据上进行准确的预测。事实上,训练阶段通常用时长、成本高,当要解决的问题、神经网络和数据非常复杂时尤为如此。训练完成后,即可运用模型进行预测。与训练阶段相比,推理阶段则非常快。
神经网络早在1940年代就被提出,但直到2000年代才得到小规模开发利用。随着计算能力的提高,特别是图形处理器(GPU)的出现以及大数据集的开发和应用,这些方法自2010年以来得到快速发展。
下文中提及的人工智能(AI)主要是指深度神经网络方法的应用。卷积神经网络(Convolutional Neural Network, CNN)由Le Cun 等人[1]提出,专门用于图像处理,是应用于天气预报的主要技术之一。
2. 人工智能用于天气预报
天气预报由一系列复杂程序构成,其核心要素是预报模型(参见天气预报模式)。气象部门定期对模型提出修改建议,以提高预报质量。比如,提高计算网格的分辨率,使物理过程的表达更加全面和复杂。然而,无论哪种情况,模型升级都需要耗费大量的开发成本,尤其是计算资源。
人工智能的优势体现在推理阶段速度极快。因此,应用人工智能解决复杂物理问题通常比传统方法要耗费更少的资源。传统方法通常需要运算数百甚至数千个方程,而人工智能则简便得多,可以有效加速预报计算等。
人工智能应用于气象学并非新鲜事物。早在1990年代,人工智能技术就在天气预报产品的后处理方面实现了创新发展。例如,为减少预报中的系统误差而开展的各种应用[2]。然而直到近年来,人工智能的应用才扩展到大气建模的核心领域。
2.1 物理模型和人工智能模型的区别
物理模型(例如目前运行的天气预报模型)是基于所研究的系统(对天气预报而言就是天气系统)功能的理论知识建立的,通常由一系列方程表示。物理模型的优点是可以从物理角度对模拟过程和预报结果进行解释,但它们仍然只是对真实系统的近似,受限于计算资源和人们对作用过程的理解。
![环境百科全书-人工智能预报-天气预报建模](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig2-400x266.jpg)
人工智能模型的工作原理与物理模型截然不同。人工智能模型通过大型数据集学习最佳统计关系。与物理模型相比,人工智能模型的解释性较差(通常被称为“黑匣子”),不能保证遵循物理定律,但可以用于寻找尚未被科学家理解或识别的复杂关系。
以某一时刻的气温预报为例。物理模型计算温度相当于求解人类设定的熟知方程,而人工智能模型则要应用神经网络在训练阶段从数据中学习的一系列统计关系。因此,物理建模和人工智能建模是截然不同但又互补的两种解决问题的方法(图2)。
2.2 大气建模中物理方法和人工智能方法的结合
如图2所示,人工智能可以通过不同方式融入预报过程。物理方法和人工智能方法互为补充,两者相结合,推动了混合预报系统的发展。例如,用人工智能算法替换物理模型中最昂贵或不具代表性的元素。人们还探索了利用人工智能改进预报模型的某些特性(例如空间采样的准确性),并最终以较低的计算成本提高预报质量。下面介绍几个采用混合方法预报的实例。
对辐射、对流或湍流等精细尺度过程的物理参数化,是目前模型中最耗费计算资源的部分之一,也是导致天气和气候预报不确定性的主要因素之一。一些研究已开始探讨用人工智能算法取代全部或部分参数化的可能性,并初步取得了可喜的成果[3]。图3显示,混合模型和物理模型对于降水的预报结果高度一致,而在混合模型中与深对流相关的过程是通过神经网络学习和预报的,这极大地节省了计算资源。
![环境百科全书-人工智能预报-物理预报](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig3.png)
提高预报模型的空间分辨率可以更好地描述小尺度天气事件。这对于预测雷暴、雾、城市热岛等影响力较大的事件尤为重要,但代价是计算成本显著增加,甚至令人望而却步。另一个提高模型分辨率的方法是统计降尺度,这需要学习低分辨率和高分辨率预报之间的统计关系。据此,可将这种关系直接应用于较低分辨率物理模型的预报,通过降尺度开展局地尺度的预报。多项研究证实,神经网络可有效解决这一问题[4]。图 4 显示了人工智能降尺度预报气温的例子。
![环境百科全书-人工智能预报-分辨率](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig4.png)
最后一个例子涉及集合预报系统,通过并行模拟制作多个预报产品来描述各种可能的天气情况(参见集合预报)。当前,集合预报是许多预报服务战略的核心,但是预报“成员”的数量仍然高度受限于可用的计算资源。实际业务中,集合成员不超过50个,而准确估计未来大气状态的概率分布需要成百上千个成员。能否利用人工智能,通过替换预测模型来生成更多的预报成员?最近的一些研究成果令人鼓舞[5]。研究表明,依靠生成式人工智能算法(用于生成新内容的人工智能的一种,因ChatGPT、DALL.E等应用为人熟知)有可能在物理模拟的指导下生成逼真的天气场,从而为几十甚至上百个成员的混合集合预报铺平了道路。
2.3 完全基于人工智能的大气模型
上文例子说明了人工智能如何与物理天气预报系统互为补充,从而提高计算性能和预报质量。最近,一些研究团队迈出了新的一步,提出用人工智能模型完全取代物理模型。2022年和2023年,陆续有研究利用人工智能解决全球中期天气预报问题[6]。让人出乎意料的是,根据 40 多年的历史数据训练而成的人工智能模型Pangu-Weather或 GraphCast在某些方面已可与欧洲中期天气预报中心的物理模型相媲美。欧洲中期天气预报中心(ECMWF)的物理模型被认为是目前最好的业务预报模型。这些新模式的每日预报会及时公开发布,有兴趣的读者可在以下网址查看https://www.meteociel.fr/modeles/ecmwf_aifs.php和https://charts.ecmwf.int/。
尽管人工智能模型只是再现了大气层的某些特征,与物理模型再现的结果相去甚远,且存在明显的缺陷,但人工智能可以对一些关键气象要素进行预报,并具备一定的准确性(图 5)。这些新模式还能提前数天预报风暴[7]或热带气旋等影响较大的天气事件。
人工智能模型的一个明显优势在于,当其用于预报时计算成本低、效率高。只需几秒或几分钟,就能做出数天后的预报,比物理预测模型快得多。物理预测模型则需要数十分钟或更长时间。因此,首批人工智能模型开辟了一个新的研究领域,提出了一系列科学和技术问题,为业务预测带来了新的机遇。
![环境百科全书-人工智能预报-人工智能计算](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig5.png)
要使这些人工智能模型成为天气预报的新工具,更广泛地说,要成为所有涉及气象数据应用的新工具,仍有许多障碍需要克服。第一个挑战是开发适合用户需求的模型,在高空间分辨率数据上进行训练,并能够预测相关的气象变量和不确定性。这就涉及这些数据集的可用性和可访问性问题,以及调动大量计算资源进行长达数周的训练的能力问题。第二个挑战是开发一些诊断方法用于解释这些模型的预报结果。与物理模型一样,要能够确定人工智能是否出于正确原因生成了良好的预报,或者在预报不佳的情况下,要能识别神经网络的哪些组件出了问题。一个可能的解决方法是开发物理信息神经网络,从而使人工智能模型可以生成物理上一致的解决方案。
3. 人工智能用于天气预报和产品发布
3.1 人工智能和预报员
无论是由物理模型还是人工智能模型生成的天气预报,都需要人类专业知识来检验、生成、报道、预警或为不同活动部门提供帮助(参见预报员的角色)。天气预报的发展方向是向用户提供更多信息,更频繁地更新预报,并以集合的形式进行。因此,需要评估的数据量在不断增加,且通常时间紧迫,对时效性有较高的要求。
人工智能提升了人类在业务预测方面的能力。它有模式识别和自动分类的能力,可用于从大量预测或观测数据中提取和总结相关信息。下面介绍两个应用实例。
![环境百科全书-人工智能预报-降雨预报](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig6-400x305.png)
几十年来,人类的专业知识一直基于对天气系统结构的识别和概念理论的发展。例如,模型输出可识别低气压、热带气旋和雷暴结构等天气系统的环流、位置和特征。长期以来,这项繁琐的工作都是由预报员人工完成的。在许多领域,人工智能在物体检测方面表现出色,例如可以很好地识别图像中的猫和狗。对天气系统的检测也一样。将雨、风或气压图作为输入数据,可以训练神经网络识别我们感兴趣的天气系统。图 6 显示了经过训练的人工智能检测到剧烈的雷暴系统,这种雷暴被称为 “弓形回波”(因为其结构呈弓形)。综合多个预报成员的检测结果可以量化此类事件出现的概率,提供有用的天气预报产品[8]。
![环境百科全书-人工智能预报-预报分类](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig7.png)
人工智能的另一个用途是将几十种预测信息总结为有限的几个代表性方案,如多数方案(从各种预测的分析中优先得出的方案)和几种备选方案(可能性较小,但由于预测的不确定性或与这些方案相关的风险,也不能排除)。上述这种自动分类方法旨在将类似信息归入同一类别,特别适合对同一天气事件的多个有效预报进行分类。例如,这种方法可用于识别几十种预报中出现的主要降水情景(图 7)。
3.2 人工智能与天气预报产品的发布
人工智能是一种可以贯穿整个预报链的工具,从建模到专业知识,既可以是人工的,也可以是自动的。此外,人工智能也可以改变预报产品的传播方式或用户获取预报信息的方式。例如,人工智能已不同程度地用于移动应用程序,自动生成天气预报产品。
新的对话式人工智能工具也为获取天气信息提供了新方法,能够明确回复用户的请求(图 8)。人工智能能否取代天气预报员?最近,瑞士给出了第一份答案(图 9)。虽然这些技术处于起步阶段,但很可能成为与用户交流和互动的新标准的开端。
![环境百科全书-人工智能预报-Copilot](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig8.png)
![环境百科全书-人工智能预报-虚拟播报员](https://www.encyclopedie-environnement.org/app/uploads/2024/06/ai-forecast_fig9.png)
4. 总结与观点
- 人工智能已被用于各行各业,天气预报也不例外。大型数据集的可用性和计算资源的增加使得开发高性能人工智能算法成为可能,这些算法可以应用于天气预报的各个环节。虽然大多数开发仍处于研究阶段,但在中短期内,似乎能够预见将其投入业务使用的场景。
- 最出人意料、也可能是最具影响力的因素是完全基于人工智能的天气预报模型的出现。1950年代以来的数值天气预报渐进发展,经常被描述为一场“静悄悄的革命”,但随着人工智能的使用,该场革命急速发展。人工智能为气象服务开辟了新的研究领域,也带来了新的挑战。
- 然而,人工智能的进步不应妨碍物理预报模型的改进。物理模型仍十分重要。现阶段的目标不是用一种模型替代另一种,而是要充分利用两种模型的互补性。
参考资料及说明
封面图片:由作者基于 “用于天气预报的神经网络” 的文本描述创作,并由生成式人工智能DALL.E生成。
[1] Le Cun, Y., L. Bottou, Y. Bengio, and P. Haffner, 1998: Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86, 2278–2324.
[2] Taillardat, M., A. Fougères, P. Naveau, and O. Mestre, 2019: Forest-Based and Semiparametric Methods for the Postprocessing of Rainfall Ensemble Forecasting. Wea. Forecasting, 34, 617–634, https://doi.org/10.1175/WAF-D-18-0149.1.
[3] Balogh B., 2022. Vers une utilisation de l’Intelligence Artificielle dans un modèle numérique de climat. Thèse de doctorat en Océan, atmosphère, climat. Toulouse INPT.
[4] Doury, A., Somot, S., Gadat, S. et al. Regional climate model emulator based on deep learning: concept and first evaluation of a novel hybrid downscaling approach. Clim Dyn 60, 1751–1779 (2023). https://doi.org/10.1007/s00382-022-06343-9
[5] Brochet, C., L. Raynaud, N. Thome, M. Plu, and C. Rambour, 2023: Multivariate Emulation of Kilometer-Scale Numerical Weather Predictions with Generative Adversarial Networks: A Proof of Concept. Artif. Intell. Earth Syst., 2, 230006, https://doi.org/10.1175/AIES-D-23-0006.1.
[6] Lguensat, Redouane. Les nouveaux modèles de prévision météorologique basés sur l’intelligence artificielle : opportunité ou menace ?.. La Météorologie, 121, 11-15, 2023. 10.37053/lamétéologue-2023-0030
[7] Pardé, M., L. Raynaud, and A. Mounier, 2024: The medium-term forecast of storm Ciaràn by artificial intelligence. Meteorology.
[8] Mounier, A., L. Raynaud, L. Rottner, M. Plu, P. Arbogast, M. Kreitz, L. Mignan, and B. Touzé, 2022: Detection of Bow Echoes in Kilometer-Scale Forecasts Using a Convolutional Neural Network. Artif. Intell. Earth Syst., 1, e210010, https://doi.org/10.1175/AIES-D-21-0010.1.
环境百科全书由环境和能源百科全书协会出版 (www.a3e.fr),该协会与格勒诺布尔阿尔卑斯大学和格勒诺布尔INP有合同关系,并由法国科学院赞助。
引用这篇文章: RAYNAUD Laure (2024年7月25日), 人工智能用于天气预报, 环境百科全书,咨询于 2024年9月1日 [在线ISSN 2555-0950]网址: https://www.encyclopedie-environnement.org/zh/air-zh/artificial-intelligence-and-weather-forecasting-2/.
环境百科全书中的文章是根据知识共享BY-NC-SA许可条款提供的,该许可授权复制的条件是:引用来源,不作商业使用,共享相同的初始条件,并且在每次重复使用或分发时复制知识共享BY-NC-SA许可声明。