新物网

当前位置:首页 > 互联网

互联网

1分钟预测10天全球天气!谷歌DeepMind全新AI天气预报登上Science,碾压行业SOTA

时间:2023-11-23 16:39:44 小新
声明:本文来自于微信公众号 新智元(ID:AI_era),作者:新智元,授权站长之家转载发布。【新智元导读】谷歌DeepMind再次在科学细分领域——天气预报迈

声明:本文来自于微信公众号 新智元(ID:AI_era),作者:新智元,授权站长之家转载发布。

【新智元导读】谷歌DeepMind再次在科学细分领域——天气预报迈出重要的一步。全新AI模型GraphCast可在1分钟内,精准预测10天全球天气,甚至还可以预测极端天气事件。

不到1分钟,高精度预测出10天的全球天气。

ChatGPT之后,又一个AI模型的能力再次惊艳了全世界!

从15日开始,未来十天的全球天气状况

它就是,谷歌DeepMind团队提出全新的全球天气预报模型——GraphCast,最新研究登上Science。

论文地址:https://www.science.org/doi/10.1126/science.adi2336

当前天气预报的主流方式就是「数值天气预报」(NWP),使用复杂的算法求解物理方程,既耗时又昂贵。

而深度学习模型GraphCast在欧洲中期天气预报中心 (ECMWF) 近40年的数据上进行训练,来了解天气如何随时间演变。

研究发现,与行业黄金标准天气模拟系统——高分辨率预报(HRES)相比,GraphCast在1380个测试变量中准确预测超过90%。

而且,虽然GraphCast没有经过捕捉恶劣天气事件的训练,还能比传统预报模型更早地识别出恶劣天气事件。

GraphCast可以预测未来气旋的潜在路径,比以前的方法要早3天。

预测未来气旋

它还可以识别与洪水风险相关的大气河流,并预测极端温度的开始。

预测极端温度和大气河流

面对大自然的无情灾害,GraphCast通过提前提供精准、高效的预警,再次推动AI在天气预领域向前迈出了重要一步。

气旋跟踪(左):随着预测气旋运动的提前时间增加,GraphCast保持比HRES更高的准确性

大气河流(右):在整个10天为周期的预测中,GraphCast的预测误差明显低于HRES

值得一提的是,GraphCast模型的源代码已经全部开放,从而让世界各地的科学家和预报员可以造福全球数十亿人。

全球最准确天气预报模型GraphCast

刚刚提到的数值天气预报(NWP)这种传统的方法,首先需要定义物理方程,然后将其转化为在超级计算机上运行的计算机算法。

但NWP的缺点是,设计方程和算法非常耗时,需要深厚的专业知识和昂贵的计算资源,才能做出准确的预测。

恰好,深度学习提供了一种不同的方法:通过数据,而不是物理方程来创建天气预报系统。

GraphCast只需要两组数据作为输入:6小时前的天气状态和当前的天气状态,并预测未来6小时的天气。

然后,该过程可以以6小时为增量向前滚动,最多可以提前10天提供最先进的预测。

GraphCast的背后是一个神经网络架构,基于「编码-处理-解码」配置中的GNN ,总共有3670万个参数。

代码、权重和演示都已经公开在:https://github.com/google-deepmind/graphcast

编码器(下图D)使用单个GNN层将输入网格上表示为节点属性的变量(标准化为零均值单位方差)映射到内部「多网格」表示上的学习节点属性。

多网格(The multi-mesh)(下图G)是一个空间均匀的图,在全球范围内具有高空间分辨率。它是通过迭代六次细化正二十面体(12个节点、20个面、30个边)来定义的,其中每次细化将每个三角形划分为四个较小的三角形(导致面和边增加四倍),并将节点重新投影到球体上。

多网格包含来自最高分辨率网格的40962个节点(大约是0.25° 处纬度/经度网格点数量的1/25),以及中间图中创建的所有边的并集,形成不同长度的平面层次结构的边缘。

处理器(图E)使用16个非共享GNN层在多重网格上执行学习消息传递,从而以很少的消息传递步骤实现高效的本地和远程信息传播。

解码器(图F)将从多网格表示中学习到的最终处理器层特征映射回经纬度网格。它使用单个GNN层,并将输出预测为最新输入状态的残差更新(通过输出归一化来实现目标残差的单位方差)。

如下是,GraphCast建模的天气变量和等级。

研究人员通过将GraphCast与HRES在大量变量、水平和交付周期上的准确性进行比较,全面验证 GraphCast 的预测能力。

他们使用两个技能指标来量化GraphCast、HRES和ML基线的各自技能:均方根误差 (RMSE) 和异常相关系数 (ACC)。

上图(a到c)显示了GraphCast(蓝线)在Z500(500百帕高度的位势)「headline 」场上的RMSE技能、RMSE技能得分(skill score,即模型A与基线B之间的归一化RMSE差异,定义为(RMSEA - RMSEB)/(RMSEB))和 ACC技能方面如何优于HRES(黑线)。

由于 Z500在气象学上非常重要,因此使用Z500表示同步尺度气压分布在文献中很常见。图表显示,GraphCast 在所有前导时间内的技能得分都更高,技能得分提高了约7%-14%。

上图D以类似于ECMWF记分卡的格式总结了10天预测中所有1380个评估变量和压力水平的RMSE技能得分。

单元格颜色与技能得分成正比,其中蓝色表示GraphCast具有更好的技能,红色表示HRES具有更高的技能。

GraphCast在1380个目标中的90.3%上优于HRES,并且在89.9%的目标上显着优于HRES(p ≤0.05,标称样本大小 n ∈{729,730})。

当排除50hPa水平时,GraphCast在其余1280个目标中的96.9%上显著优于HRES。当排除50和100hPa水平时,GraphCast在1180个剩余目标中的99.7%上显著优于HRES。

极端天气预警,提前9天锁定飓风

研究人员的分析还表明,GraphCast还能比传统预报模型更早地识别出恶劣天气事件,尽管它没有经过寻找恶劣天气事件的训练。

这是GraphCast未经过专门训练的关键下游应用,但对人类非常重要。

这说明GraphCast可以帮助人类针对极端天气提前做好准备,减少风暴和极端天气对社区的影响。

通过在GraphCast预测中直接应用简单的气旋跟踪器,新模型可以比HRES模型更准确地预测气旋的移动。

今年9月,谷歌在ECMWF网站上部署的GraphCast模型实时公开版本,提前约9天准确预测出飓风Lee将在Nova Scotia登陆。

相比之下,传统预测在登陆地点和时间上的变数更大,只能提前大约6天的时间锁定Nova Scotia。

GraphCast 还可以描述大气河流的特征——大气中的狭窄区域将大部分水蒸气输送到热带以外的地区。

大气河流的强度可以表明它是会带来有益的降雨还是会引发洪水。GraphCast预测可以帮助确定大气河流的特征,这有助于与预测洪水的人工智能模型一起制定应急计划。

而在气候变暖的大环境下,预测极端温度的重要性与日俱增。GraphCast可以描述地球上任何特定地点的高温何时会超过历史最高温度。

这在预测热浪方面尤其有用,因为热浪是一种破坏性的危险事件,而且越来越常见。

提高热带气旋跟踪的准确性有助于避免人员伤亡,并减少经济损失。上图A显示2018年至2021年GraphCast的中位跟踪误差低于HRES(选择中位值是为了抵抗异常值)。

由于HRES和GraphCast的每轨误差是相关的,研究人员还测量了两个模型之间的每轨配对误差差异,发现GraphCast 在18小时到4.75天的交付周期内明显优于HRES。

大气河流是大气中的狭窄区域,负责中纬度地区向极地的大部分水汽输送,并产生美国西海岸30%-65%的年降水量。它们的强度可以通过垂直整合的水汽输送IVT来表征,表明大气事件是否会提供有益的降水还是引发灾难性损害。

上图C显示,与HRES相比,GraphCast改进了IVT的预测,从短交付时间的25%提高到较长时间范围的10%。

极热和极冷天气的特点是与典型气候相比存在较大异常,这可能是危险的并会扰乱人类活动。

研究人员评估了HRES和GraphCast在跨地点、一天中的时间和一年中的月份预测前2%气候学事件的能力。

图D显示GraphCast的精确召回曲线在5天和10天的提前时间内高于HRES,这表明GraphCast在较长时间范围内的极端分类方面的预测通常优于HRES。

相比之下,HRES在12小时前置时间内具有更好的精确召回率,这与GraphCast相对于HRES的2T技能得分接近于零是一致的,如图D所示。

AI天气的未来,数十亿人受益

谷歌DeepMind称,GraphCast是世界上最准确的10天全球天气预报系统,可以比以往更远地预测未来的极端天气事件。

随着天气模式在不断变化的气候中演变,GraphCast将随着更高质量数据的出现而发展和改进。

与此同时,谷歌还开源了模型的代码。希望未来其他研究人员用其带来的可能性,从针对特定天气现象定制模型,到针对世界不同地区优化模型。

目前,包括ECMWF在内的气象机构,已经在对GraphCast进行实时实验。

另外,GraphCast与谷歌DeepMind和谷歌研究院的其他最先进的天气预报系统一起用于天气预测。

包括Nowcasting(提前90分钟做出预报的区域性模型),以及MetNet-3(在美国和欧洲运行的区域天气预报模型,可做出比其他任何系统都更准确的24小时预报)。

如果我们能够率先将AI用于天气预报,将使数十亿人的日常生活受益。

但是,谷歌表示,「我们更广泛的研究不仅仅是关于预测天气,而是关于了解人类气候的更广泛模式。

通过开发新工具和加速研究,谷歌希望AI能够增强全球社会应对最大环境挑战的能力。

在看了研究介绍之后,网友表示,谷歌你快出个应用啊!

对于天气预报的能力,很多网友表示,现在已经可以期望预报的精细度到不同街道,并且精确到分钟了。

参考资料:

https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting

https://www.nature.com/articles/d41586-023-03552-y