人工智能可以分析过去的天气模式来预测未来事件，比现有方法更高效，也可能更准确。
这一新开发的全球天气模型基于过去40年的天气数据进行预测，而非依赖精细的物理计算。
当今的天气预报依靠地球上最强大的一些计算机完成。这些庞大的机器需要进行数以百万计的运算，求解方程，以预测气温、风力、降雨量及其他天气事件。天气预报对速度和准确性的综合需求，即便对最先进的计算机也是一种负担。
这一新开发的全球天气模型基于过去40年的天气数据进行预测，而非依赖精细的物理计算。
据《地球系统建模进展》期刊（Journal of Advances in Modeling Earth Systems）一篇论文介绍，这一简单的数据驱动型AI模型能够以远快于传统天气模型的速度、且效果几乎同样出色地模拟全球一年的天气，其做法是在每次预报之间重复执行相似的步骤。《地球系统建模进展》期刊（Journal of Advances in Modeling Earth Systems）。
“机器学习本质上是在做一种被美化的模式识别，”论文第一作者乔纳森·韦恩（Jonathan Weyn）说。他在华盛顿大学攻读大气科学博士学位期间开展了这项研究。“它识别出一种典型模式，了解其通常如何演变，并根据它在过去40年数据中见过的案例决定该如何应对。”
虽然这一新模型的准确度不出所料地低于当今顶尖的传统预报模型，但当前的AI设计在为地球上相同数量的点位生成预报时，所需的计算能力约少7000倍。计算工作量更少意味着结果更快得出。
这种提速将使预报中心能够快速运行许多略有不同初始条件的模型，这一技术被称为“集合预报”，它使天气预报能够覆盖某一天气事件可能出现的预期结果范围，例如飓风可能登陆的位置。
“这种方法的效率高得多，这正是它的重要之处，”大气科学教授、论文作者戴尔·杜兰（Dale Durran）说。“它的前景在于，凭借一个运行速度足够快、可以运行超大规模集合的模型，我们或许能够应对可预测性问题。”
微软研究院的合著者里奇·卡鲁阿纳（Rich Caruana）最初联系了这些研究人员，提议开展一个项目，利用人工智能基于历史数据进行天气预测，而不依赖物理定律。韦恩当时正在修读机器学习的计算机科学课程，于是决定承担这一项目。
韦恩表示：“经过对过去天气数据的训练，AI算法能够发现不同变量之间的关系，这是物理方程无法做到的。”“我们可以使用少得多的变量，因此能够构建一个速度快得多的模型。”
为将成功的AI技术与天气预报相结合，研究团队将立方体的六个面映射到地球上，然后将立方体的六个面展开，类似建筑纸质模型的做法。作者对极地的面进行了不同处理，因为它们在天气中具有独特作用，这是提高预报准确性的一种方式。
随后，作者通过预测全球500百帕气压的高度（这是天气预报中的标准变量）对模型进行了测试，每12小时预测一次，持续整整一年。近期的一篇论文（韦恩为合著者之一）提出了WeatherBench，作为数据驱动型天气预报的基准测试。在为三天预报而设计的该预报测试中，这一新模型是表现最优的模型之一。
作者表示，数据驱动模型在能够与现有业务预报竞争之前还需要更多细节，但这一思路作为生成天气预报的另一种方法展现出前景，尤其是在既往预报和气象观测数据日益增多的情况下。
韦恩现任微软天气与金融部门的数据科学家。这项研究由美国海军研究办公室及国防部研究生奖学金资助。
来源：华盛顿大学
