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。
图片
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。
图片
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。
图片
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。
图片
图为GraphCast 10天滚动预测的一部分，显示了700百帕（距地面约3公里）的湿度、地面温度和地面风速
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。
图片
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。
图片
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。
图片
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。
图片
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。
图片
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)。
图片
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50 hPa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100 hPa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。
图片
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。
图片
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。
图片
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。
图片
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。
图片
在看了研究介绍之后，网友表示，谷歌你快出个应用啊！
图片
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。
图片
参考资料：
