來自世界氣象組織（WMO）的數據顯示，過去50年，每天平均都有與天氣、氣候或水患相關的災害，每次災害平均造成約115人死亡和約2.02億美元的經濟損失。更令人擔憂的是，人類活動加劇的氣候變化，導致熱浪、寒潮、強降水、乾旱等極端天氣和氣候災害頻發。
準確的天氣預測和氣候模擬能每年挽救數萬人的生命，並減少極端天氣對人類社會和生態系統的影響。如今，由Google Research研究團隊及其合作者開發的人工智慧（AI）模型NeuralGCM，將天氣預測和氣候模擬提升到一個新高度：
- NeuralGCM的1-15天預報準確率媲美歐洲中期天氣預報中心（ECMWF），後者擁有世界上最先進的傳統物理天氣預報模型；
- NeuralGCM的提前10天預報準確率與現有其他AI模型性能相當，甚至更好；
- 加入海平面溫度後，NeuralGCM的40年氣候預測結果與ECMWF數據中的全球變暖趨勢一致；
- 在預測氣旋及其軌跡方面，NeuralGCM也超過了現有的氣候模型。
值得一提的是，NeuralGCM在準確度方面達到甚至超過了現有的傳統數值天氣預報模型和其他機器學習（ML）模型；在速度上也是“遙遙領先”，可在30秒內生成22.8天的大氣模擬，且節省了大量計算資源。
NeuralGCM 模擬大氣的速度比最先進的物理模型更快，同時生成的預測結果精確度相當。該視頻比較了NeuralGCM與NOAA X-SHiELD、NCAR CAM6兩種物理模型在30秒內生成的大氣模擬天數。其中，NOAA X-SHiELD是高分辨率（0.03°）物理模型，必須在超級計算機上運行；NCAR CAM6則是低分辨率（1.0°）的純大氣物理學模型。雖然NeuralGCM運行的分辨率較低（1.4°），但其精度與較高分辨率的模型相當。
相關研究論文以“Neural general circulation models for weather and climate”為題，已發表在權威科學期刊Nature上。
這些結果表明，NeuralGCM能夠生成確定性天氣、天氣和氣候的集合預報，在長期天氣和氣候模擬方面顯示出足夠的穩定性。
研究團隊認為，這種端到端深度學習與傳統大氣環流模型（GCM，表徵大氣、海洋和陸地的物理過程，是天氣和氣候預測的基礎）所執行的任務是兼容的，且能增強對理解和預測地球系統至關重要的大規模物理模擬。
此外，NeuralGCM的混合建模方法還可以應用於其他科學領域，比如材料發現、蛋白質折疊和多物理工程設計等。
真實效果怎麼樣？
減少長期預報的不確定性以及估算極端天氣事件，是理解氣候緩解和適應的關鍵。ML模型一直被認為是天氣預測的替代手段，具有節省算力成本的優勢，甚至在確定性天氣預報方面已達到或超過大氣環流模型的水平，但在長期預報的表現常常不如大氣環流模型。
在這項工作中，研究團隊結合機器學習和物理方法設計了NeuralGCM，利用ML組件替換或校正GCM中的傳統物理參數化方案，包含以下關鍵部分：
- 可微分的動力核心：負責求解離散化的動力方程，模擬大尺度流體運動和熱力學過程，受重力、科氏力等影響。
- 學習物理模塊：使用GCM中的單柱方法，預測大氣柱內未解析過程的影響，使用殘差連接的全連接神經網絡。
- 編碼器和解碼器：進行壓力水平和sigma坐標水平之間的線性插值，並校正預報變量。
結果顯示，NeuralGCM在天氣預測方面表現強大，在超短期、短期和中期時間尺度上與最先進的模型相媲美。如下：
- 超短期預測（0-1天）：NeuralGCM在未經訓練的天氣條件下表現更好，使用局部神經網絡預測大氣垂直柱中的物理過程。
- 短期預測（1-10天）：NeuralGCM在1-3天的短期預測中表現最佳，預測更加清晰，避免了物理上不一致的模糊預測。
- 中期預測（7-15天）：NeuralGCM在集合預報中的RMSE、RMSB和CRPS誤差均低於ECMWF-ENS，顯示其捕捉可能的天氣平均狀態能力強。
NeuralGCM在氣候模擬方面也表現出強大的能力，如季節循環模擬、熱帶氣旋模擬和歷史溫度趨勢模擬等。
儘管NeuralGCM在天氣和氣候預測方面展現了強大的能力，但仍有一些局限性。例如，無法預測與歷史氣候顯著不同的未來氣候，模擬未觀測氣候的能力不足，存在物理約束和數值穩定性問題，缺乏與其他地球系統組件的耦合。
傳統的天氣預測和氣候模擬正被AI顛覆。在未來，AI將進一步加速氣象預測的速度和精度，造福全人類。
