Tomorrow.io 研究:更优初始数据可改善 AI 天气预报
Tomorrow.io Research Shows Better Starting Data Can Improve AI Weather Forecasts
Tomorrow.io 研究显示,Sky 1 改善大气初始状态后,无需修改 Microsoft Aurora 1.5 和 Google DeepMind WeatherNext 2 即可提升预报。其卫星观测使28个案例的初始水汽误差降低约5–8%,112次 Aurora 1.5 预报在5天内各时效的近地面温度平均误差均更低。
正文 · AI 翻译
Tomorrow.io 提出,应在预报模型开始运行之前改进 AI 天气预报。该公司最新研究显示,在不改变 Microsoft Aurora 1.5 和 Google DeepMind WeatherNext 2 预报模型的情况下,更准确地估计当前大气状态可以改善预测结果。
该公司11月17日发布的公告介绍了 Sky 1,这是一套机器学习数据同化系统,利用其由15台微波探测仪组成的星座所采集的观测数据,每小时更新一次初始条件。这些仪器可补充温度和水分信息,包括云层内部及观测稀疏地区的数据。
结果表明,除了模型架构之外,观测系统以及为模型准备输入的软件也值得关注。研究还涉及两项不同的比较:卫星观测数据所产生的贡献,以及使用 Sky 1 初始化 Aurora 带来的整体益处。
为何初始大气状态至关重要
天气模型需要一个初始状态,即对温度、湿度和风等条件的三维估计。观测数据来自不同地点、高度和时间。数据同化将测量结果与已有的大气状态估计相结合,从而生成一个连贯的起始状态。
ECMWF 对 ERA5 的说明介绍了这种模型与观测数据的结合方式。ERA5 将过去的天气重建为一致的全球数据集,因此可作为评估预报的参考。它仍然是对大气状态的重建,并包含其自身所采用的模型和观测输入。
快速推理解决的是模型能以多快的速度计算接下来会发生什么。更好的初始化解决的则是模型对当前正在发生什么掌握得有多准确。即使模型能力强大,也仍可能在预测过程中延续不准确的初始估计。
卫星数据比较发现了什么
Tomorrow.io 报告称,在以 ERA5 为参照衡量的28个案例中,加入其观测数据后,初始状态的水汽误差降低了约5–8%。在预报评估中,纳入这些观测数据后,112次 Aurora 1.5 预报在所评估的最长五天内每个预报时效上的近地面温度平均误差均有所降低。该公司称,这些改进幅度较为温和,在前两天最为明显。
该公司公布的方法采用成对的初始状态:Sky 1 准备一个包含星座观测数据的初始状态,以及另一个剔除这些观测数据的初始状态。同一预报模型分别从这两个状态开始运行,使评估能够单独衡量新增数据的作用。
气象站对比采用了约17,700个气象站的数据。研究还使用这组成对的初始状态测试了 WeatherNext 2。
大约一天的预报时效增益来自另一项比较,即对比由 Sky 1 初始化的 Aurora 与直接使用全球预报系统(GFS)数据初始化的 Aurora。Tomorrow.io 报告称,以 ERA5 为评分基准时,原始 GFS 运行结果达到 Sky 1 五天期预报误差水平的时间早了约24.9小时。以气象站数据为基准时,相应的增益约为10小时。
该公司明确将这一结果归因于 Sky 1 的整体作用,而非仅归因于卫星星座。公司表示,部分改进源于向 Aurora 提供了与其训练期间所接触数据类型相似的初始状态。
这一区别是解读该研究的关键。相当于一天的结果衡量的是特定温度误差阈值和参考基准下的表现,并不能证明每个预报变量、地区或极端事件都能提前整整一天实现可预测。
Tomorrow.io 的微波探测仪文档将这些设备描述为可提供大气温度和水汽廓线的被动辐射计。该公司列出了覆盖91–204 GHz的12个以上通道,并通过跨轨扫描覆盖约2,200公里宽的条带。
这些仪器为大气分析提供测量数据,并不会直接输出完整的预报。观测数据的价值取决于其校准、覆盖范围、时效性,以及同化系统如何将其纳入分析。这将太空硬件与 AI 预报模型使用的输入流程连接起来。
Microsoft 将 Aurora 1.5 描述为其地球系统基础模型的扩展版本,增加了逐小时的时间分辨率、更多预报变量和概率集合预报。集合预报代表多个可能的未来结果,可帮助用户评估不确定性。
WeatherNext 2 使用函数生成网络架构进行全球集合预测。Google 的文档列出了0.25度网格、64个集合成员和15天的预报时限。Tomorrow.io 报告的评估涵盖五天预报期。
此后,Google 推出了 WeatherNext 3,该模型纳入实时卫星观测数据并生成逐小时预报。本文讨论的 Tomorrow.io 研究结果针对 WeatherNext 2,并不能证明 Google 的新模型也得到了改进。
这些是由公司报告的回顾性评估。它们为检验初始化和观测质量提供了有用依据,而新闻稿称相关数据可应要求提供。新闻稿还介绍了对飓风路径、大气河登陆和强天气暴发进行评估的工作,但尚未证明这些事件也能获得相同的温度预报时效增益。
更广泛的启示是,天气 AI 的进步依赖于完整的预报流程:观测、同化、预测和评估。Tomorrow.io 的测试表明,检查输入数据可以发现仅比较预报架构时会被忽略的改进。对用户而言,真正有意义的结果将是在与其运营密切相关的变量、地点和决策时间窗口中实现可靠改进。
AI 热点