DeepMind和谷歌新研究出了一种基于机器学习的天气模拟器，可以在60秒内预测10天内的天气，而且准确率极高。

GraphCast: Learning skillful medium-range global weather forecasting

GraphCast：中期全球天气预报模型学习

论文地址：https://arxiv.org/abs/2212.12794

  DeepMind & Google：R Lam, A Sanchez-Gonzalez, M Willson, P Wirnsberger, M Fortunato, A Pritzel

本文提出一种基于机器学习(ML)的天气模拟器GraphCast，其表现优于世界上最准确的确定性操作性中程天气预报系统，以及之前的所有机器学习基线。GraphCast是一个自回归模型，基于图神经网络和一种新的高分辨率多尺度网格表示，根据欧洲中期天气预报中心(ECMWF)的ERA5再分析档案中的历史天气数据进行了训练。它可以在0.25度经纬度网格上以6小时的时间间隔对5个表面变量和6个大气变量进行10天的预测，每个变量在37个垂直压力水平下，该网格对应于赤道的分辨率约为25x25公里。

图片

本文结果表明，在所评估的2760个变量和提前时间组合中，GraphCast比ECMWF的确定性操作预测系统HRES更准确。GraphCast在报告的252个目标中，99.2%的表现也优于之前最准确的基于机器学习的天气预报模型。GraphCast可以在Cloud TPU v4硬件上在60秒内生成10天的预测(35G数据）。与传统的预测方法不同，基于机器学习的预测可以很好地扩展数据：通过对更大、更高质量和更新的数据进行训练，预测技能可以提高。这些结果共同代表了在用机器学习补充和改进天气建模方面向前迈出的关键一步，为快速、准确的预测开辟了新的机会，并有助于实现物理科学中基于机器学习的模拟的承诺。

GraphCast是一种基于图神经网络的自回归模型，性能优于世界上最准确的机器学习天气预报系统（中期天气预报）；

GraphCast只需单台Cloud TPU v4设备，即可在60秒内生成10天内的天气预报（35GB数据），分辨率高达0.25°；

通过在更大、更新、质量更高的数据上进行训练，可以进一步提升GraphCast预测的速度和准确性。

在短期天气预报方面，DeepMind曾于2021年9月在Nature上发文称，其生成模型能以89%的绝对优势吊打其他方法。

「中期天气预报」通常是指对未来于4至10天内天气变化趋势的预报。其准确性，对于农业、建筑业、旅游业等行业的政策制定来说至关重要。

为此，国际领先的欧洲中期天气预报中心（ECMWF）， 每天都会提供多达四次的中期天气预报。

在中期天气预报的制作过程中，有两个关键的组成部分都需要利用大规模高性能计算（HPC）集群进行模拟：通过分析由卫星、气象站、船舶等收集的当前和历史数据来预测天气状况，也就是「数据同化」；通过数值天气预报（NWP）系统建立预测天气相关变量将如何随时间变化的模型。

然而，随着数据量的显著增加，NWP模型却无法得到有效的扩展。虽然现在有大量的天气和气候观测档案，但我们却很难直接利用这些数据来提高预报模型的质量。

而改进NWP的方法，一般是由训练有素的专家手动创造更好的模型、算法和近似值，这个过程耗时耗力，成本高昂。

相比之下，基于机器学习方法可以利用更多、更高质量的可用数据来提高模型的准确性，而且计算预算通常要低得多。

在论文 GraphCast: Learning skillful medium-range global weather forecasting 中，DeepMind以「编码-处理-解码」的方式使用图神经网络（GNN）来创建一个自回归模型。

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除