AI驱动的天气预测在气候变化中的稳健性

文摘   2024-10-04 11:22   加拿大  
关注地球与工智能设置EarthAi星标

https://arxiv.org/abs/2409.18529

这篇文章的作者团队来自欧洲中期天气预报中心(ECMWF)和阿尔弗雷德·韦格纳研究所(AWI)。这篇文章探讨了在气候变化背景下,基于人工智能(AI)的天气预测模型的鲁棒性。以下是对这篇文献的解读:

摘要部分

  • • 研究背景:基于数据驱动的机器学习模型在天气预报领域取得了突破性进展,一些最先进的模型在多种技能评分上已经超过了基于物理的模型。

  • • 研究问题:鉴于天气和气候模型之间存在紧密联系,研究者提出了一个问题:机器学习模型是否也能革新气候科学,例如通过告知气候变化的缓解和适应措施,或生成更大的集合以获得更强大的不确定性估计。

  • • 研究结果:研究表明,针对当前气候训练的最新机器学习模型在代表前工业化时期、现代和未来变暖2.9K气候的不同气候状态下都能产生有技巧的预测。这表明在气候变化中,塑造短时间尺度天气的动力学可能没有根本的不同。

  • • 研究意义:这项研究还展示了机器学习模型的分布式泛化能力,这是气候应用的关键先决条件。

引言部分

  • • 气候预测的重要性:基于地球系统模型的气候预测对于为政府间气候变化专门委员会(IPCC)的评估报告提供信息至关重要,并且推动了气候变化适应和缓解政策。

  • • 计算挑战:这些模拟在计算上仍然非常昂贵,并且存在持续的偏差。

方法部分

  • • 实验设置:研究者使用了ECMWF的AIFS(人工智能集成预测系统)和其他两个由科技公司开发的模型:Google DeepMind的GraphCast和华为的Pangu-Weather。

  • • 初始条件:使用了代表前工业化、现代和未来2.9K更暖气候的初始条件进行10天天气预报。

结果部分

  • • 预测技巧:所有模型在不同的气候条件下都显示出有技巧的预测,尽管它们是在1979-2021年的数据上训练(或微调)的。

  • • 偏差分析:一些模型在预测未来更暖气候状态时显示出全球平均冷偏差,即它们倾向于向它们接受训练的更冷的现代气候状态漂移。

讨论部分

  • • 未来工作:未来的工作将探索包括海洋、陆地、冰雪和外部强迫信息在内的更丰富的地球系统状态,是否可以减轻观察到的一些偏差。

  • • 混合方法:提出了一种混合方法,其中传统的气候模拟提供了骨干,而数据驱动的模型用于在空间、时间或可变性上上采样它们的输出。

结论部分

  • • 研究意义:尽管存在当前的局限性,研究结果表明,数据驱动的机器学习模型将为气候科学提供强大的工具,并通过补充传统的基于物理的模型,转变现有的方法。

附录和方法

  • • AI模型软件包:AIFS、GraphCast和Pangu-Weather模型是通过ECMWF创建的ai-models软件包使用的。

  • • 计算全球RMSE和平均偏差:描述了如何计算预测技巧的全球均方根误差(RMSE)和平均偏差。

加微信交流群,请备注:姓名-行业-单位)



声明:本公众号分享的资源均来自于互联网的公开资源,仅供个人学习和研究使用,不代表本人对其版权、真实性、合法性、准确性等方面做出任何保证。任何使用本号分享的资源的个人或组织,需自行承担相应的法律责任和后果;本号不承担任何法律责任和连带责任。使用本号分享的资源即代表您已完全了解并同意本免责声明的所有内容。






上海位温信息科技有限公司

专业的商业气象服务商



(咨询数据详情,可添加微信,请备注:合规数据



可提供气象产品 

  • 全国三千多个基准站

3213 个主要城市站点、每小时发 布 1 次,

每天发布 24 次,每次提供当前整点时刻的

城市站点实况天气(实况产品会在整点后

15 分钟、20 分钟、30 分钟进行数据更新),

要素包括:天气现象、气温、体感温度、风速、

风力、风向、相对湿度、气压、1小时降水量、

10分钟降水量、能见度、日出时间、日落时间、

紫外辐射等要素。

  • 探空气象站

  • 海洋气象站

  • 雷达拼图

  • 卫星云图(风云4、葵花8)

  • 格点实况、再分析资料

  • 数值预报:CMA EC GFS

  • 强对流天气预报

  • 强天气落区预报

    强对流天气(短时强降水/冰雹/雷暴大风)概率预报图

  • 台风、热带气旋

可提供国内与国外各类气象咨询气象服务

本公司提供服务稳定可靠,您值得拥有。




EarthAi
AI4Earth、人工智能、气象数值预报、学术论文!产业资讯等等……
 最新文章