DeepMind AI击败全球最先进天气预报系统 8分钟预测15天全球天气

然而，传统的天气预报依赖数值天气预报算法（NWP），计算复杂度高、模型构建耗时，难以快速生成预报结果。基于机器学习的天气预报（MLWP）在效率和单次预报准确性上虽有所突破，但在量化预报不确定性和处理复杂时空相关性方面表现不足，表现不及 NWP 集成预报系统。

如今，由 Google DeepMind 研究团队开发的人工智能（AI）模型 GenCast，将天气预报的精度与效率带入了一个崭新的阶段：

GenCast 能够在 8 分钟内生成一组随机的 15 天全球预报，时间步长为 12 小时，分辨率达 0.25°，覆盖超过 80 种地表和大气变量，在 97.2% 的评估指标（共计 1320 个指标）上都优于当前全球最好的中期预报——欧洲中期天气预报中心（ECMWF）的集合预报（ENS），而且具有更好的边际和联合预报分布。

另外，GenCast 在预报极端天气（如高温、强风）、热带气旋路线和风能产量时，也更加有效。

相关研究论文以“Probabilistic weather forecasting with machine learning”为题，已发表在权威科学期刊 Nature 上。

GenCast：更快、更准预报未来天气

GenCast 是一个全新的概率天气预报模型，通过条件扩散模型（conditional diffusion model）生成一系列可能的天气场景。其核心能力在于建模未来天气状态的条件概率分布，即基于当前和之前的天气状态生成未来的预报。这一方式允许 GenCast 以更快的速度和更高的精度提供全球范围 15 天概率性天气预报。

具体而言，GenCast 的架构包括编码器、处理器和解码器三大模块。编码器将初始天气状态映射到一个经过 6 次精细划分的球形网格上，处理器则通过图 transformer 在网格节点间捕捉复杂的时空相关性，而解码器则将结果重新映射回全球纬经度网格，生成最终的天气预报。

图｜GenCast 生成天气预报的示意图。

此外，研究团队利用 ERA5 再分析数据对 GenCast 进行了训练，这一数据集包含 40 年间全球范围内的最佳天气估计分析结果，确保了模型的泛化能力和对历史天气模式的深度理解。

为评估 GenCast 的实际性能，研究团队对其进行了基准测试，并将其与当前最先进的系统和模型进行对比。为确保公平对比，所有模型均基于 ERA5 数据进行初始化，并统一分辨率至 0.25°。

在与其他系统对比的实验中，GenCast 生成的天气样本更接近实际观察值，预报分布覆盖了可能的多种情景，为用户提供了对潜在风险的更全面理解。例如，GenCast 在台风海贝思登陆日本前不久的预报非常清晰，在 1～15 天的预估时间内，其球谐功率谱与 ERA5 地面真实值非常接近。

之后，研究团队评估了 GenCast 和 ENS 在极端天气预报方面的整体预报技能、校准和性能，即边际预报性能。边际预报作为对某一时间和地点的天气状况进行的具体预报，是日常天气服务的核心。

GenCast 在这一领域展现了强大的性能优势。其生成的预报分布能够更精确地反映可能的天气情景，不仅在温度、风速和气压等变量的预报上与真实数据高度吻合，还能通过改进的概率校准有效量化预报的不确定性。

具体研究显示，GenCast 在多个气象变量的边际分布预报中表现优于 ENS，在一个涵盖 1320 个评估目标的测试中，GenCast 在 97.2% 的情况下取得更高的技能得分（CRPS），特别是在短期预报（1 至 5 天）中效果显著。

同时，GenCast 在预报高温、强风等极端天气时同样表现卓越。研究采用 Brier 技能得分和相对经济价值（REV）曲线衡量模型性能。结果显示，在预报高温（99.99% 分位点）和极端低温（0.01% 分位点）事件时，GenCast 的表现显著优于 ENS。

此外，GenCast 的边际分布预报展现了良好的校准能力，这意味着它能够准确地识别预报中可能存在的错误或偏差，为用户提供更可靠的天气决策支持。

图｜GenCast 的边际预报分布娴熟且校准良好。

除了边际预报，GenCast 在联合预报方面也展现了令人瞩目的表现。联合预报关注天气变量间的空间和时间相关性，对于捕捉全局天气系统的动态特性至关重要。

例如，在热带气旋轨迹预报方面，对热带气旋的路径预报不仅依赖单一变量，还需考虑多层次的大气相互作用。而 GenCast 能够生成具有时空一致性的天气样本，精准地捕捉这些复杂的相关性，从而生成精确预报。

研究特别分析了 GenCast 在台风“海贝思”案例中的表现。台风轨迹预报显示，GenCast 的不确定性评估范围覆盖了更多可能的情景，其在轨迹位置预报上的误差显著低于 ENS。更重要的是，随着预报时间的缩短，GenCast 的不确定性范围逐步收敛，为决策者提供了更精确的着陆时间和地点信息。

除此之外，在区域风能预报中，GenCast 将 10 米风速数据转化为风能输出，其预报精度较 ENS 提高了 20%，尤其在短时间尺度上，为可再生能源调度提供了新的可能性。

图｜GenCast 在区域风力和热带气旋预报方面优于 ENS。

尽管 GenCast 在精度与效率上实现了双重突破，但仍有进一步优化空间。例如，提高分辨率以匹配未来升级的 ENS 系统，或者通过蒸馏技术降低计算成本。此外，结合操作性数据进行微调或融入更多传统 NWP 的初始条件处理方法，亦可显著提升其实用性。

AI 如何重塑气候预报未来？

AI 作为“一个改善极端天气预报的更快、更便宜的替代方案”，一向在天气预报领域被寄予厚望，除了Google，包括华为、清华大学等在内的科技公司和高校在这一方向均取得了重大进展。

2023 年 7 月，由华为云开发的盘古气象（Pangu-Weather）模型登上了 Nature，其使用 39 年的全球再分析天气数据作为训练数据，预报准确率与全球最好的数值天气预报系统 IFS 相当，且在相同的空间分辨率下比 IFS 快 10000 倍以上。

同期发表在 Nature 上的另一篇论文则介绍了 NowcastNet，其出自机器学习领域泰斗、加州大学伯克利分校教授 Michael Jordan 和清华大学教授王建民领导的研究团队，该模型可以结合物理规律和深度学习，进行实时预报降水。NowcastNet 在临近预报方面表现出色，基于雷达观测数据，可以做到提前 3 小时对 2048 km × 2048 km 的区域进行高分辨降水预报。

2023 年 11 月，Google DeepMind 推出了一款基于机器学习的天气预报模型——GraphCast，在全球 0.25° 的分辨率下，该模型可以在一分钟内预报未来 10 天的数百个天气变量，显著优于传统气象预报方法，同时在预报极端事件方面表现良好。相关研究论文已发表在权威科学期刊 Science 上。

2024 年 3 月，Google Research 洪水预报团队开发了一种 AI 模型，其利用 5680 个测量仪数据训练，可在 7 天内预报未测量流域的日径流。该模型在同日预报和 5 年一遇极端天气事件的预报中，表现优于当时领先的全球洪水预警系统 GloFAS。相关研究论文已发表在权威科学期刊 Nature 上。

2024 年 7 月，Google Research 团队及其合作者推出了一款天气预报和气候模拟模型 NeuralGCM，在 1-15 天短期天气预报中的准确率媲美 ECMWF 模型，并在气旋预报和轨迹模拟上表现优于现有模型。加入海平面温度后，该模型的 40 年气候预报结果与全球变暖趋势高度一致。且 NeuralGCM 可以在 30 秒计算时间内生成 22.8 天大气模拟。相关研究论文已发表在权威科学期刊 Nature 上。

相信在不久的将来，AI 驱动的天气预报将以更快的速度与更高的准确率在灾害预警、能源规划和气候适应等方面发挥更大的作用，为人类应对日益复杂的气候挑战提供更强大的工具。