一篇由欧洲中期天气预报中心(ECMWF)联合德国阿尔弗雷德·韦格纳极地与海洋研究所(AWI)的论文探索了基于人工智能的天气预报模型在气候变化研究中的潜力。他们的发现表明，这些尖端模型在应用于不同气候状态时既有前景又面临挑战。

研究团队对三个最先进的AI天气预报模型进行了测试：

ECMWF的AIFS(人工智能预报系统)
Google DeepMind的GraphCast
华为的Pangu-Weather

这些模型都是在1979-2018年的ERA5再分析数据上训练的，并被要求在三种不同的气候场景中进行预测：

工业化前气候(使用1955年ERA5回溯扩展数据)
当前气候(2023年业务分析数据)
未来气候场景(2049年高分辨率气候模拟数据，比工业化前平均温度高2.9°C)

未来气候场景基于IFS-FESOM模型的模拟，该模型由ECMWF和AWI的团队在H2020项目nextGEMS中开发。对于每种气候状态，研究人员对每年的每一天都进行了10天的天气预报，并评估了模型的预报能力。

主要发现#

分布外泛化能力：AI模型在应用于工业化前和假设的未来条件时,在预报技巧方面表现出关键的分布外泛化能力。这为气候科学中的广泛应用打开了大门。
总体表现：在所有三种气候状态下，AI模型都表现出良好的预报技巧，特别是在均方根误差(RMSE)方面。
当前气候表现: 对于当前气候(2023年)，AI模型的表现与ECMWF的业务预报系统相当。
工业化前气候：在较冷的1955年气候下，模型仍能提供有技巧的预报,尽管RMSE略高于2023年。
未来气候场景：对于较暖的2049年气候，模型的RMSE表现与2023年相当,表明了对未来气候条件的适应能力。
系统性偏差：模型在不同于训练数据的气候状态下显示出一些系统性偏差。

在1955年(较冷)场景中，AIFS和GraphCast表现出升温趋势
在2049年(较暖)场景中，AIFS和Pangu-Weather表现出降温趋势
GraphCast在2049年全球平均温度上保持中性，但这是由陆地降温和海洋升温相互抵消的结果

偏差的空间分布：模型在缺乏海冰和陆地表面信息的区域表现较差。

a、b、c图显示所有模型的均方根误差（RMSE，单位为K），按纬度余弦加权，分别在1955年（代表工业化前时期的代表年份），2023年（代表当前气候），和2049年（+2.9K更暖的世界）。d、e、f图显示所有模型在1955年、2023年和2049年的平均偏差[K]。在1955年，Pangu-Weather进一步降温，而其他两个模型显示出升温。在2023年，GraphCast和AIFS显示很少偏差，类似于ECMWF的10天业务IFS预报，而Pangu-Weather持续降温。在2049年，GraphCast的正负偏差平衡，而其他两个模型表现出冷偏差。1955年、2023年和2049年的所有RMSE和偏差演变都是对每日预报进行平均。

所有模型都使用1979-2017年的ERA5再分析数据进行训练（最终进行微调），1979-2020年的全球平均温度（浅灰色线）作为背景显示。黑色虚线表示1955年（ERA5）、2023年（业务分析）和2049年（基于物理的情景模拟）的全球平均温度，代表数据驱动预报模型的初始条件。对于选定的三年中的每一天，每个模型都从12:00 UTC开始进行10天预报，产生9个预报数据集。这9个预报数据集的全球平均温度以细（发丝状）彩色线显示。对于1955年，GraphCast和AIFS在10天内出现0.3 K的升温，而Pangu-Weather则降温。对于2023年，所有模型都没有显示出明显的系统性偏差。在2049年，AIFS和特别是Pangu-Weather明显向训练期的气候条件降温，降温速率分别为每天-0.04 K和-0.07 K。有趣的是，GraphCast在全球平均上紧密跟随气候预测，但这是通过陆地降温和海洋升温的补偿实现的。

启示和未来方向#

AI模型在不同气候状态下的良好表现，暗示驱动短期天气的动力学在气候变化背景下可能并没有根本性的改变。
这些结果展示了AI模型在分布外泛化方面的能力，这对气候应用至关重要。
模型在未来气候场景下的系统性偏差也表明，仅依赖现有训练数据可能不足以完全捕捉气候变化的影响。
未来的改进方向包括:

在训练中加入更多的地球系统状态信息，如海洋、陆地和冰冻圈数据
开发专门针对气候预测的AI模型
探索AI模型与传统物理模型的混合方法

这项研究展示了基于AI的天气模型在气候科学中的巨大潜力。虽然目前还存在一些限制，但随着进一步的发展，AI有望成为气候变化研究、适应和缓解决策的强大工具，为传统的基于物理的模型提供了强有力的补充。它也可能革新我们研究和应对气候变化的方式。这项工作部分是在欧盟委员会的“目标地球”(Destination Earth)计划框架内进行的。在该倡议中，ECMWF负责实施两个地球系统数字孪生和底层软件基础设施(数字孪生引擎)，并与欧洲众多合作伙伴合作。DestinE计划开发的超高精度地球数字模型，将监测与模拟自然和人类活动，建立能够支持欧洲环境政策的可持续发展情景，并对这些情景进行测试。该计划的核心是一个基于云的联合建模和仿真平台，可提供对数据、先进计算基础设施（包括高性能计算）、软件、人工智能应用和分析的访问。该计划将集成数字孪生，即囊括了地球系统各个方面的数字副本，例如天气预报和气候变化、粮食和水安全、全球海洋环流和海洋生物地球化学等，为用户提供专题信息、服务、模型、场景、模拟、预测和可视化，使应用开发和用户数据的集成成为可能。

References:

论文：https://arxiv.org/abs/2409.18529
ECMWF AIFS

https://arxiv.org/abs/2406.01465
华为Pangu-Weather

https://www.nature.com/articles/s41586-023-06185-3
Google DeepMind GraphCast

https://www.science.org/doi/10.1126/science.adi2336
欧盟下一代地球模拟系统项目NextGEMS

https://nextgems-h2020.eu
欧盟“目标地球”(Destination Earth)计划

https://destine.ecmwf.int

主要发现#

启示和未来方向#

本公众号相关内容推荐#