人工智能技术在未来改进天气预报中的作用 | 科学通报

黄建平

中国科学院院士，发展中国家科学院院士。长期专注于半干旱气候变化研究，历经十余年建成了国际领先的半干旱气候综合观测系统，并在半干旱气候变化及其机理研究等方面取得了一系列基础性强、具有国际影响力的原创性研究成果，提出相似-动力模式天气预测方法。

大气动力理论驱动的数值天气预报模型一直以来是现代天气预报的重要支撑，随着具有机器学习技术的发展，人工智能（Artificial Intelligence，AI）模型开始应用于天气预报领域。本文旨在解读2023年Science评选的十大科学突破中的：“AI在天气预报中的应用”，探讨大气动力模型和人工智能模型深度融合方案（Dynamics Artificial Intelligence，DAI），DAI技术有望增强极端天气和气候预测的准确性，实现更精细的天气预报。

人工智能在天气预报领域中取得了重大进展，但仍具有一定的局限。正如Science 指出，“这些AI模型不是求解大气动力方程本身，而是基于过去40年欧洲中期天气预报中心再分析数据的训练。它们很难预测极端天气”。

现有的人工智能模型在模型可解释性、数据的不确定性、模型的可迁移性和对极端事件预测准确度等方面存在明显不足。事实上，极端天气事件的发生都是高度非线性的突变过程，AI模型能很好预测突变前和突变后的天气状况，却无法精确捕捉和预测大气的突变过程。

与AI模型相比，数值模型则具有可靠的数学和理论框架，可以更好地捕捉天气状态中的物理过程和突变，但其也不够准确。纵观大气科学发展史，大气科学的发展是与科学技术发展相互促进的，构建大气动力学与人工智能技术相结合的天气预报模型（DAI模型）是必然趋势，也是未来提高天气预报准确率的重要发展方向，本文给出了具体的DAI融合方案。

未来的天气预报系统将朝向更为个性化、实时更新和自动化的方向发展。通过将大气动力模型与AI模型深度融合，不仅可以进一步显著提升天气预报的准确率和效率，还能为用户提供可靠且定制化的气象信息分析和决策建议。这种融合范式，将为大气学科理论的创新和更精准与精细化天气预报创造机会，是实现气象事业高质量发展的关键推动力。我们期待大气学科不断突破，迈向新的高峰。

图1  Pangu-Weather的3DEST（3D Earth-SpecificTransformer，适应地球坐标系统的三维神经网络）架构。（a）3DEST架构。3DEST利用编解码器和块技术处理三维天气数据，并使用针对地球数据优化的位置偏差来加快模型收敛速度。（b）分层时间聚合算法。FM1、FM3、FM6和FM24分别表示提前期为1、3、6和24 h的预测模型。将56 h预测简化为2次24 h、1次6 h及2次1 h模型运算以减少迭代次数

图2Deepmind的GraphCast架构。GraphCast使用图神经网络（Graph Neural Network，GNN）模型，将原始经纬度网格的输入数据映射到多网格上的学习特征中。该模型60 s内可预测10 d内的天气状况

图3 利用R-T方法根据式（1）计算得到的洛伦兹混沌系统“蝴蝶效应”的示意图，其中P=10，Ra=28，b=8/3

图4根据Charney 的6截谱模型计算得到，该模型能够根据热力过程和动力过程等因素的变化模拟大气中的突变过程，其中ψk反映了海陆热力差异的变化。(a) 海陆热力差异弱时为典型的纬向环流；(b) 随着ψk 变化，纬向环流向经向环流转变的突变过程；(c) 海陆热力差异强时为典型的经圈环流