DeepMind大模型登Science：1分鐘預(yù)測10天天氣數(shù)據(jù)，90%指標超越人類最強模型

克雷西 2023-11-15 15:52:35 來源：量子位

克雷西 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

谷歌DeepMind實驗室推出的天氣預(yù)測大模型，已在Science雜志發(fā)表。

只需要不到1分鐘，它就能直接預(yù)測出未來10天的天氣。

準確度上，它在90%的指標上超越了最先進的人類系統(tǒng)，在AI氣象模型中屬首次！

DeepMind的這個氣象模型名叫GraphCast，目前已經(jīng)開源。

它的分辨率為0.25度經(jīng)度/緯度（在赤道處約為28×28公里），而目前的最高分辨率為1度。

這樣的分辨率相當(dāng)于將地球表面分割成了超過100萬個網(wǎng)格，而每個網(wǎng)格又可以產(chǎn)生數(shù)百條預(yù)測數(shù)據(jù)，總計數(shù)量達到了上億規(guī)模。

不同于傳統(tǒng)的預(yù)測方式，GraphCast預(yù)測主要依靠數(shù)據(jù)中的規(guī)律進行預(yù)報，而不使用人類建立的物理方程。

相比于人類最準確的HRES預(yù)報，GraphCast在1380個測試指標中，90%的預(yù)測結(jié)果都更為準確。

如果把預(yù)測范圍限制在對流層，GraphCast擊敗HRES的指標比例更是高達99.7%。

YC上有網(wǎng)友表示，用“impressive”已經(jīng)不足以形容這項成果了。

那么，GraphCast的預(yù)測表現(xiàn)具體是怎樣的呢？

90%指標超越人類最好方法

在劃分出的100萬多個網(wǎng)格上，GraphCast劃分出的每個網(wǎng)格都能夠產(chǎn)生227條預(yù)測數(shù)據(jù)。

其中包括了37個不同高度上，每個高度的6個大氣變量（包括比濕度、風(fēng)速和風(fēng)向以及溫度等）。

在地球表面，GraphCast還可以預(yù)測包括溫度、風(fēng)速和風(fēng)向以及平均海平面壓力等在內(nèi)的5個變量。

完整的變量種類和具體高度（以氣壓表示，單位：hPa）如下表所示：

為了比較GraphCast和HRES的表現(xiàn)，研究人員從歐洲中期天氣預(yù)報中心（ECMWF）的ERA5再分析數(shù)據(jù)中選取了2018年（GraphCast訓(xùn)練數(shù)據(jù)截止2017年）的歷史數(shù)據(jù)。

研究者分別讓HRES和GraphCast站在當(dāng)時的情況下進行“預(yù)測”，然后比較它們的“預(yù)測”和ERA5進行比較。

在500hPa高度場上，GraphCast的RMSE（均方根誤差，數(shù)值越低表現(xiàn)越好）和ACC（異常相關(guān)系數(shù)）指標都顯著優(yōu)于HRES。

而在研究人員選取的50-1000hPa的1380個數(shù)據(jù)點中，GraphCast有90.3%優(yōu)于HRES，89.9%優(yōu)勢顯著（下圖d組中，藍色表示GraphCast優(yōu)于HRES，越深優(yōu)勢越明顯）。

除了這些數(shù)據(jù)，GraphCast在極端天氣的預(yù)測上也有明顯優(yōu)勢。

對于熱帶氣旋路徑，GraphCast中位誤差低于HRES，特別是在前4.75天開始，優(yōu)勢開始變得明顯（下圖a、b）。

在根據(jù)大氣河流（Atmospheic River）進行水汽通量預(yù)測時，GraphCast的RMSE值也明顯低于HRES（下圖c）。

預(yù)測熱浪時，GraphCast在提前12小時、5天、10天時，準確度也都比HRES高（下圖d）。

今年9月，GraphCast成功在登陸前9天預(yù)測了北大西洋的颶風(fēng)Lee，而使用傳統(tǒng)方法最多提前6天預(yù)報。

GraphCast不僅準確度高，預(yù)測速度也非?？臁?/p>

在一臺Google TPU v4機器上使用GraphCast進行10天預(yù)測，只需不到一分鐘就能完成。

相比之下，使用HRES等傳統(tǒng)方法，即使在超級計算機上也要花費數(shù)個小時。

那么，GraphCast是如何實現(xiàn)高效準確的氣象預(yù)測的呢？

不使用物理方程，預(yù)測全靠數(shù)據(jù)分析

工作流程上，輸入從6小時前開始到當(dāng)前的氣象數(shù)據(jù)，GraphCast就可以預(yù)測未來6小時的天氣。

而預(yù)測出的數(shù)據(jù)可以作為新的“當(dāng)前”態(tài)，繼續(xù)往后迭代預(yù)測，最長可以預(yù)測到10天后的天氣狀況。

原理層面，GraphCast使用機器學(xué)習(xí)方式和圖神經(jīng)網(wǎng)絡(luò)（GNN）架構(gòu)，其中包括編碼器和解碼器各一層，以及中間層16層，參數(shù)量為3670萬。

它僅通過學(xué)習(xí)已有氣象數(shù)據(jù)實現(xiàn)預(yù)測，不依賴人類建立的物理方程。

GraphCast將0.25度網(wǎng)格的氣象數(shù)據(jù)進行編碼映射到神經(jīng)網(wǎng)絡(luò)，經(jīng)過傳遞計算后的結(jié)果再由解碼器還原為氣象數(shù)據(jù)。

訓(xùn)練時，GraphCast使用的是來自ERA5數(shù)據(jù)集中的1979-2017這近四十年天氣的再分析數(shù)據(jù)，包括了衛(wèi)星圖像、雷達和氣象站測結(jié)果。

ERA5是基于4DVar方法和同化觀測生成的全球最優(yōu)重構(gòu)資料，涵蓋時間從上世紀40年代至今，空間則覆蓋全球。

而如果使用更近期的數(shù)據(jù)，GraphCast的預(yù)測結(jié)果準確度還能繼續(xù)提高。

下一步，DeepMind計劃構(gòu)建集合預(yù)報模型，以適應(yīng)實際情況中天氣的不確定性，進一步增強預(yù)報準確性。

論文地址：
https://www.science.org/doi/10.1126/science.adi2336
參考鏈接：
[1]https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/
[2]https://www.ft.com/content/ca5d655f-d684-4dec-8daa-1c58b0674be1
開源項目頁：
https://github.com/google-deepmind/graphcast
CoLab筆記：
https://colab.research.google.com/github/deepmind/graphcast/blob/master/graphcast_demo.ipynb