谷歌DeepMind實驗室推出的天氣預測大模型，已在Science雜志發表。

只需要不到1分鐘，它就能直接預測出未來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，在AI氣象模型中屬首次！

DeepMind的這個氣象模型名叫GraphCast，目前已經開源。

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

這樣的分辨率相當于將地球表面分割成了超過100萬個網格，而每個網格又可以產生數百條預測數據，總計數量達到了上億規模。

不同于傳統的預測方式，GraphCast預測主要依靠數據中的規律進行預報，而不使用人類建立的物理方程。

相比于人類最準確的HRES預報，GraphCast在1380個測試指標中，90%的預測結果都更為準確。

如果把預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上有網友表示，用“impressive”已經不足以形容這項成果了。

那么，GraphCast的預測表現具體是怎樣的呢？

90%指標超越人類最好方法

在劃分出的100萬多個網格上，GraphCast劃分出的每個網格都能夠產生227條預測數據。

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、風速和風向以及溫度等）。

在地球表面，GraphCast還可以預測包括溫度、風速和風向以及平均海平面壓力等在內的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，研究人員從歐洲中期天氣預報中心（ECMWF）的ERA5再分析數據中選取了2018年（GraphCast訓練數據截止2017年）的歷史數據。

研究者分別讓HRES和GraphCast站在當時的情況下進行“預測”，然后比較它們的“預測”和ERA5進行比較。

在500hPa高度場上，GraphCast的RMSE（均方根誤差，數值越低表現越好）和ACC（異常相關系數）指標都顯著優于HRES。

而在研究人員選取的50-1000hPa的1380個數據點中，GraphCast有90.3%優于HRES，89.9%優勢顯著（下圖d組中，藍色表示GraphCast優于HRES，越深優勢越明顯）。

除了這些數據，GraphCast在極端天氣的預測上也有明顯優勢。

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，優勢開始變得明顯（下圖a、b）。

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

預測熱浪時，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天預測了北大西洋的颶風Lee，而使用傳統方法最多提前6天預報。

GraphCast不僅準確度高，預測速度也非常快。

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

相比之下，使用HRES等傳統方法，即使在超級計算機上也要花費數個小時。

那么，GraphCast是如何實現高效準確的氣象預測的呢？

不使用物理方程，預測全靠數據分析

工作流程上，輸入從6小時前開始到當前的氣象數據，GraphCast就可以預測未來6小時的天氣。

而預測出的數據可以作為新的“當前”態，繼續往后迭代預測，最長可以預測到10天后的天氣狀況。

原理層面，GraphCast使用機器學習方式和圖神經網絡（GNN）架構，其中包括編碼器和解碼器各一層，以及中間層16層，參數量為3670萬。

它僅通過學習已有氣象數據實現預測，不依賴人類建立的物理方程。

GraphCast將0.25度網格的氣象數據進行編碼映射到神經網絡，經過傳遞計算后的結果再由解碼器還原為氣象數據。

訓練時，GraphCast使用的是來自ERA5數據集中的1979-2017這近四十年天氣的再分析數據，包括了衛星圖像、雷達和氣象站測結果。

ERA5是基于4DVar方法和同化觀測生成的全球最優重構資料，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據，GraphCast的預測結果準確度還能繼續提高。

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