气候变化领域集成服务门户

7月5日，《自然》（Nature）发表题为《人工智能天气预报的前景》（The Outlook for AI Weather Prediction）的新闻观点文章，介绍了当期Nature刊出的2项人工智能（AI）模型在天气预报方面的突破进展，并对AI天气预报的前景进行了解读。文章指出，AI在天气预报方面具有巨大潜力，但所涉及的风险要求气象学家设计、评估和解释这些系统。

传统的天气预报模型基于物理方程，通过数值模式实现，这种方法称为数值天气预报。生成式AI天气模型的工作方式不同，不是根据对物理学的理解进行预测，而是根据历史测量值预测统计学上合理的天气模式，这种方法已被证明非常有前途。

深圳华为云的研究团队发表题为《利用三维神经网络进行精确的中期全球天气预报》（Accurate Medium-Range Global Weather Forecasting with 3D Neural Networks）的文章，提出一种基于AI准确性的全球天气中期预报的方法——盘古天气（Pangu-Weather），可利用三维（3D）神经网络进行准确的全球中期天气预报。该研究表明配备了地球特定先验的三维深度网络在处理天气数据中的复杂模式方面是有效的，并且分层时间聚合策略减少了中期预报的累积误差。经过39年的全球数据训练，盘古天气与欧洲中期天气预报中心（ECMWF）的综合预报系统（IFS）相比，在所有测试变量的再分析数据上获得了更强的确定性预报结果。该方法也适用于极端天气预报和集合预报。再分析数据初始化后，对热带气旋的跟踪精度也高于ECMWF的高分辨率模型ECMWF-HRES。

清华大学、中国气象局和美国加利福尼亚大学（University of California）的研究团队发表题为《利用NowcastNet对极端降水进行熟练的临近预报》（Skilful Nowcasting of Extreme Precipitation with NowcastNet）的文章，提出了一种极端降水的非线性临近预报模型NowcastNet，它将物理演化方案和条件学习方法统一到一个具有端到端预测误差优化的神经网络框架中，该框架能够将平流守恒无缝集成到学习模型中，提前3小时成功预测长寿命中尺度模式并捕获短寿命对流细节。NowcastNet提供了小到强降雨率的精确预报，特别是对伴随平流或对流过程的极端降水事件。在来自中国各地的62位专业气象学家的系统评估中，该模型在71%的案例中排名第一。

然而，AI也给临近预报和全球天气预报带来了潜在风险，其中3种风险与极端事件有关：①根据用于训练AI模型的数据记录的持续时间，极端事件可能会被低估。②用于天气预报的AI模型通常通过进行局部准确的误差测量，并在大区域进行平均来优化。这可能会导致预测的气象特征出现问题，例如强风暴、锋面或热带气旋。③当程序在以前从未遇到过的条件下运行时，AI系统的行为通常是不可预测的，因此，极端天气事件可能会引发高度不稳定的预测。