5000次风暴，谷歌训出AI预言家！天气预报ChatGPT时刻？

---

  新智元报道  

昨天，谷歌DeepMind与谷歌研究团队正式推出交互式气象平台Weather Lab，用于共享人工智能天气模型。

论文链接：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

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

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

热带气旋极其危险，所经之处，徒留废墟。

2024年10月8日NOAA GOES‑16卫星捕获的飓风Milton影像

据世界气象组织统计，在过去50年中，热带气旋造成了1.4万亿美元的经济损失，共造成1945次灾难，夺去约80万人生命。而且受此威胁的人数，还在攀升。

这些庞大且旋转的风暴，也被称为飓风或台风，通常在温暖的海洋水域形成，由热量、湿度和对流共同驱动。

在温暖的海洋上，当水汽冷凝，能量的释放启动正反馈循环，热带气旋得以形成

它们对大气条件的微小变化极为敏感，因此精准预测其轨迹和强度一直是气象学界公认的难题。然而，提高气旋预测准确性将有助于通过更有效的防灾准备和及时疏散来保护受灾社区。

论文链接：https://uhero.hawaii.edu/wp-content/uploads/2023/09/hurricane_forecasts-7.pdf

Weather Lab平台搭载了基于随机神经网络的最新AI热带气旋模型，可预测气旋生成、移动路径、强度变化、规模及形态特征——

最多能提前15天生成50种可能的情景推演。

以下动画展示了AI模型预测结果。

当飓风「洪德」和「加朗斯」在马达加斯加以南海域活动时，模型（蓝色轨迹）准确预测了它们的移动路径。

该模型还成功捕捉到印度洋上「裘德」和「伊冯」两个气旋的未来轨迹——

提前近七天就稳健预测出最终会增强为热带气旋的暴风雨区域。

Weather Lab展示了不同AI天气模型的实时与历史气旋预测，同时也包括来自欧洲中期天气预报中心（ECMWF）的物理模型预测。

目前，他们有多个AI天气模型在实时运行：WeatherNext Graph、WeatherNext Gen以及最新的实验性气旋模型。Weather Lab还提供了超过两年的历史预测数据，供专家和研究人员下载和分析，从而外部评估模型在所有海洋流域的表现。

下面的动画展示了新模型对Alfred气旋在珊瑚海成为三级气旋时的预测。

模型的集合均值预测（粗蓝线）准确预见到Alfred气旋迅速减弱为热带风暴，并于七天后在澳大利亚布里斯班附近登陆的过程，同时准确预测在昆士兰海岸登陆的高概率区域。

Weather Lab用户可以探索并比较各类AI与物理模型的预测。当这些预测被综合考虑时，有助于气象机构和应急服务专家更好地预判气旋路径与强度，从而更好地应对不同情景，传播风险信息，并支持管理气旋影响的决策。

使用该工具时，请牢记下面提醒，尤其是在依据Weather Lab的预测做出决策时：

在基于物理的气旋预测中，要满足操作需求所需的近似处理，单个模型难以同时准确预测气旋路径和强度。

这是因为气旋路径由大尺度大气引导流控制，而气旋强度则取决于其紧凑核心内外的复杂湍流过程。

全球低分辨率模型在预测气旋路径方面表现最佳，但无法捕捉控制气旋强度的精细过程，因此需要区域高分辨率模型的辅助。

这次谷歌团队发明了FGN，这是一种新型的架构、训练和推理方法相结合的天气概率建模方法，速度更快、灵活性更高。

FGN分别通过不同机制建模认知不确定性与随机性不确定性（见下图1）：前者通过模型集成实现，后者则采用与随机函数相关的技术。

在热带气旋路径预测方面，FGN的平均路径预测和路径概率预测均显著优于现有模型（𝑝 < 0.05），是首个在性能上明确超越主流物理模型的AI预测模型。

图 1 | FGN生成过程概览：从一对输入帧（𝑋ₜ₋₂:ₜ₋₁）生成单步预测集合的流程

在两个层级上， FGN引入多样性，分别建模不确定性中的随机性（aleatoric uncertainty）与认知不确定性（epistemic uncertainty）。

对于某个特定模型 M𝑗，随机性不确定性在预测轨迹的每一步中通过采样一个低维噪声向量𝜖ₜᵢ引入，该向量用于模型前向传播过程中的参数共享条件归一化。这可以理解为对神经网络权重施加扰动，从而获得参数 𝜃ₜᵢ，因此可视为对神经网络参数的采样。

若要在随机性不确定性下生成 N 个集合成员，只需独立地对N个不同的 𝜖ₜᵢ 进行条件生成即可。认知不确定性通过集成多个独立训练的模型 M𝑗 的输出进行建模，每个模型拥有自己的一组参数 {𝜃*𝑗, Δ𝑗}，并按上述方法分别生成集合成员的子集。

新的实验性气旋模型能同时兼顾路径与强度预测，内部评估显示它在气旋路径与强度预测方面目前最佳。

它训练于两类不同数据：

同时建模分析数据与气旋数据，显著提升了气旋预测能力。

例如，对2023和2024年北大西洋与东太平洋流域的NHC观测飓风数据进行初步评估。结果显示新模型在五天内的气旋路径预测比ECMW的ENS（全球领先的物理模型集合）平均近140公里，达到了ENS三天半预测的准确度，相当于实现了1.5天的预测进展——这一进展通常需十年才能达到。

虽然此前的AI天气模型在气旋强度预测方面表现不佳，但新的实验性模型在平均强度误差上优于NOAA（美国国家海洋和大气管理局）的HAFS（区域高分辨率物理模型）。

初步测试还表明，新模型对气旋大小与风半径的预测结果可与物理模型基准相媲美。

新模型在路径与强度预测方面的误差分析，以及与ENS与HAFS比较后的五天内平均性能评估结果

除了与NHC合作，谷歌还与科罗拉多州立大学的大气研究合作机构（CIRA）保持紧密合作。

CIRA研究科学家Kate Musgrave博士及其团队评估了模型，认为「在路径与强度预测方面，与最优秀的操作模型相比具有相当或更高的能力」。

Musgrave表示：「我们期待在2025年飓风季的实时预测中验证这些结果。」

此外，谷歌还与英国气象局、东京大学、日本Weathernews公司及其他专家合作，共同改进我们的模型。

新实验性热带气旋模型是WeatherNext系列研究的最新里程碑。

谷歌表示他们将持续收集气象机构与应急服务专家的重要反馈，提升官方预测水平并支持拯救生命的决策。