新智元報道

編輯：KingHZ

【新智元導讀】AI也能預(yù)測臺風！在性能上，谷歌首次推出了明確超越主流物理模型的AI臺風預(yù)測模型。這有望拯救數(shù)萬生命。

昨天，谷歌DeepMind與谷歌研究團隊正式推出交互式氣象平臺Weather Lab，用于共享人工智能天氣模型。

在熱帶氣旋路徑預(yù)測方面，谷歌這次的新模型刷新SOTA，是首個在性能上明確超越主流物理模型的AI預(yù)測模型。

論文鏈接：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/how-we-re-supporting-better-tropical-cyclone-prediction-with-ai/skillful-joint-probabilistic-weather-forecasting-from-marginals.pdf

博客鏈接：https://deepmind.google/discover/blog/weather-lab-cyclone-predictions-with-ai/

項目地址：https://deepmind.google.com/science/weatherlab

熱帶氣旋極其危險，所經(jīng)之處，徒留廢墟。

2024年10月8日NOAA GOES?16衛(wèi)星捕獲的颶風Milton影像

據(jù)世界氣象組織統(tǒng)計，在過去50年中，熱帶氣旋造成了1.4萬億美元的經(jīng)濟損失，共造成1945次災(zāi)難，奪去約80萬人生命。而且受此威脅的人數(shù)，還在攀升。

這些龐大且旋轉(zhuǎn)的風暴，也被稱為颶風或臺風，通常在溫暖的海洋水域形成，由熱量、濕度和對流共同驅(qū)動。

在溫暖的海洋上，當水汽冷凝，能量的釋放啟動正反饋循環(huán)，熱帶氣旋得以形成

它們對大氣條件的微小變化極為敏感，因此精準預(yù)測其軌跡和強度一直是氣象學界公認的難題。然而，提高氣旋預(yù)測準確性將有助于通過更有效的防災(zāi)準備和及時疏散來保護受災(zāi)社區(qū)。

論文鏈接：https://uhero.hawaii.edu/wp-content/uploads/2023/09/hurricane_forecasts-7.pdf

提前15天

50種天氣推演

Weather Lab平臺搭載了基于隨機神經(jīng)網(wǎng)絡(luò)的最新AI熱帶氣旋模型，可預(yù)測氣旋生成、移動路徑、強度變化、規(guī)模及形態(tài)特征——

最多能提前15天生成50種可能的情景推演。

以下動畫展示了AI模型預(yù)測結(jié)果。

當颶風「洪德」和「加朗斯」在馬達加斯加以南海域活動時，模型（藍色軌跡）準確預(yù)測了它們的移動路徑。

該模型還成功捕捉到印度洋上「裘德」和「伊馮」兩個氣旋的未來軌跡——

提前近七天就穩(wěn)健預(yù)測出最終會增強為熱帶氣旋的暴風雨區(qū)域。

實時與歷史氣旋預(yù)測

Weather Lab展示了不同AI天氣模型的實時與歷史氣旋預(yù)測，同時也包括來自歐洲中期天氣預(yù)報中心（ECMWF）的物理模型預(yù)測。

目前，他們有多個AI天氣模型在實時運行：WeatherNext Graph、WeatherNext Gen以及最新的實驗性氣旋模型。Weather Lab還提供了超過兩年的歷史預(yù)測數(shù)據(jù)，供專家和研究人員下載和分析，從而外部評估模型在所有海洋流域的表現(xiàn)。

下面的動畫展示了新模型對Alfred氣旋在珊瑚海成為三級氣旋時的預(yù)測。

模型的集合均值預(yù)測（粗藍線）準確預(yù)見到Alfred氣旋迅速減弱為熱帶風暴，并于七天后在澳大利亞布里斯班附近登陸的過程，同時準確預(yù)測在昆士蘭海岸登陸的高概率區(qū)域。

Weather Lab用戶可以探索并比較各類AI與物理模型的預(yù)測。當這些預(yù)測被綜合考慮時，有助于氣象機構(gòu)和應(yīng)急服務(wù)專家更好地預(yù)判氣旋路徑與強度，從而更好地應(yīng)對不同情景，傳播風險信息，并支持管理氣旋影響的決策。

使用該工具時，請牢記下面提醒，尤其是在依據(jù)Weather Lab的預(yù)測做出決策時：

Weather Lab是一款研究工具。展示的實時預(yù)測由仍在開發(fā)中的模型生成，并非官方預(yù)警。

如需獲取官方天氣預(yù)報和預(yù)警，請咨詢當?shù)貧庀髾C構(gòu)或國家氣象服務(wù)部門。

AI驅(qū)動的氣旋預(yù)測

在基于物理的氣旋預(yù)測中，要滿足操作需求所需的近似處理，單個模型難以同時準確預(yù)測氣旋路徑和強度。

這是因為氣旋路徑由大尺度大氣引導流控制，而氣旋強度則取決于其緊湊核心內(nèi)外的復雜湍流過程。

全球低分辨率模型在預(yù)測氣旋路徑方面表現(xiàn)最佳，但無法捕捉控制氣旋強度的精細過程，因此需要區(qū)域高分辨率模型的輔助。

這次谷歌團隊發(fā)明了FGN，這是一種新型的架構(gòu)、訓練和推理方法相結(jié)合的天氣概率建模方法，速度更快、靈活性更高。

FGN分別通過不同機制建模認知不確定性與隨機性不確定性（見下圖1）：前者通過模型集成實現(xiàn)，后者則采用與隨機函數(shù)相關(guān)的技術(shù)。

在熱帶氣旋路徑預(yù)測方面，F(xiàn)GN的平均路徑預(yù)測和路徑概率預(yù)測均顯著優(yōu)于現(xiàn)有模型（ < 0.05），是首個在性能上明確超越主流物理模型的AI預(yù)測模型。

圖 1 | FGN生成過程概覽：從一對輸入幀（???:???）生成單步預(yù)測集合的流程

在兩個層級上， FGN引入多樣性，分別建模不確定性中的隨機性（aleatoric uncertainty）與認知不確定性（epistemic uncertainty）。

對于某個特定模型 M，隨機性不確定性在預(yù)測軌跡的每一步中通過采樣一個低維噪聲向量??引入，該向量用于模型前向傳播過程中的參數(shù)共享條件歸一化。這可以理解為對神經(jīng)網(wǎng)絡(luò)權(quán)重施加擾動，從而獲得參數(shù) ??，因此可視為對神經(jīng)網(wǎng)絡(luò)參數(shù)的采樣。

若要在隨機性不確定性下生成 N 個集合成員，只需獨立地對N個不同的 ?? 進行條件生成即可。認知不確定性通過集成多個獨立訓練的模型 M 的輸出進行建模，每個模型擁有自己的一組參數(shù) {*, Δ}，并按上述方法分別生成集合成員的子集。

評估結(jié)果

新的實驗性氣旋模型能同時兼顧路徑與強度預(yù)測，內(nèi)部評估顯示它在氣旋路徑與強度預(yù)測方面目前最佳。

它訓練于兩類不同數(shù)據(jù)：

一是由數(shù)百萬觀測數(shù)據(jù)重建的全球再分析數(shù)據(jù)集；

二是包含近45年來近5,000個觀測氣旋的路徑、強度、大小和風半徑等關(guān)鍵信息的專業(yè)數(shù)據(jù)庫。

同時建模分析數(shù)據(jù)與氣旋數(shù)據(jù)，顯著提升了氣旋預(yù)測能力。

例如，對2023和2024年北大西洋與東太平洋流域的NHC觀測颶風數(shù)據(jù)進行初步評估。結(jié)果顯示新模型在五天內(nèi)的氣旋路徑預(yù)測比ECMW的ENS（全球領(lǐng)先的物理模型集合）平均近140公里，達到了ENS三天半預(yù)測的準確度，相當于實現(xiàn)了1.5天的預(yù)測進展——這一進展通常需十年才能達到。

雖然此前的AI天氣模型在氣旋強度預(yù)測方面表現(xiàn)不佳，但新的實驗性模型在平均強度誤差上優(yōu)于NOAA（美國國家海洋和大氣管理局）的HAFS（區(qū)域高分辨率物理模型）。

初步測試還表明，新模型對氣旋大小與風半徑的預(yù)測結(jié)果可與物理模型基準相媲美。

新模型在路徑與強度預(yù)測方面的誤差分析，以及與ENS與HAFS比較后的五天內(nèi)平均性能評估結(jié)果

為決策者提供更有用的數(shù)據(jù)

除了與NHC合作，谷歌還與科羅拉多州立大學的大氣研究合作機構(gòu)（CIRA）保持緊密合作。

CIRA研究科學家Kate Musgrave博士及其團隊評估了模型，認為「在路徑與強度預(yù)測方面，與最優(yōu)秀的操作模型相比具有相當或更高的能力」。

Musgrave表示：「我們期待在2025年颶風季的實時預(yù)測中驗證這些結(jié)果。」

此外，谷歌還與英國氣象局、東京大學、日本W(wǎng)eathernews公司及其他專家合作，共同改進我們的模型。

新實驗性熱帶氣旋模型是WeatherNext系列研究的最新里程碑。

谷歌表示他們將持續(xù)收集氣象機構(gòu)與應(yīng)急服務(wù)專家的重要反饋，提升官方預(yù)測水平并支持拯救生命的決策。

參考資料：

https://deepmind.google/discover/blog/weather-lab-cyclone-predictions-with-ai/

https://x.com/GoogleDeepMind/status/1933178918715953660