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。

圖片

在熱帶氣旋路徑預測方面，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預測模型。

圖片

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，所經之處，徒留廢墟。

2024年10月8日NOAA GOES?16衛星捕獲的颶風Milton影像

據世界氣象組織統計，在過去50年中，熱帶氣旋造成了1.4萬億美元的經濟損失，共造成1945次災難，奪去約80萬人生命。而且受此威脅的人數，還在攀升。

這些龐大且旋轉的風暴，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，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，提高氣旋預測準確性將有助于通過更有效的防災準備和及時疏散來保護受災社區。

圖片

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網絡的最新AI熱帶氣旋模型，可預測氣旋生成、移動路徑、強度變化、規模及形態特征——

最多能提前15天生成50種可能的情景推演。

圖片

以下動畫展示了AI模型預測結果。

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——

提前近七天就穩健預測出最終會增強為熱帶氣旋的暴風雨區域。

實時與歷史氣旋預測

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

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測數據，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。

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測。

模型的集合均值預測（粗藍線）準確預見到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，同時準確預測在昆士蘭海岸登陸的高概率區域。

Weather Lab用戶可以探索并比較各類AI與物理模型的預測。當這些預測被綜合考慮時，有助于氣象機構和應急服務專家更好地預判氣旋路徑與強度，從而更好地應對不同情景，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Weather Lab的預測做出決策時：

Weather Lab是一款研究工具。展示的實時預測由仍在開發中的模型生成，并非官方預警。

如需獲取官方天氣預報和預警，請咨詢當地氣象機構或國家氣象服務部門。

AI驅動的氣旋預測

在基于物理的氣旋預測中，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外的復雜湍流過程。

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

這次谷歌團隊發明了FGN，這是一種新型的架構、訓練和推理方法相結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，后者則采用與隨機函數相關的技術。

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

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

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共享條件歸一化。這可以理解為對神經網絡權重施加擾動，從而獲得參數 ????，因此可視為對神經網絡參數的采樣。

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 {??*??, Δ??}，并按上述方法分別生成集合成員的子集。

評估結果

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

它訓練于兩類不同數據：

一是由數百萬觀測數據重建的全球再分析數據集；

二是包含近45年來近5,000個觀測氣旋的路徑、強度、大小和風半徑等關鍵信息的專業數據庫。

同時建模分析數據與氣旋數據，顯著提升了氣旋預測能力。

例如，對2023和2024年北大西洋與東太平洋流域的NHC觀測颶風數據進行初步評估。結果顯示新模型在五天內的氣旋路徑預測比ECMW的ENS（全球領先的物理模型集合）平均近140公里，達到了ENS三天半預測的準確度，相當于實現了1.5天的預測進展——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測方面表現不佳，但新的實驗性模型在平均強度誤差上優于NOAA（美國國家海洋和大氣管理局）的HAFS（區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測結果可與物理模型基準相媲美。

新模型在路徑與強度預測方面的誤差分析，以及與ENS與HAFS比較后的五天內平均性能評估結果

為決策者提供更有用的數據

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（CIRA）保持緊密合作。

圖片

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

圖片

Musgrave表示：「我們期待在2025年颶風季的實時預測中驗證這些結果?！?/span>

此外，谷歌還與英國氣象局、東京大學、日本Weathernews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收集氣象機構與應急服務專家的重要反饋，提升官方預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