生成式智能量化天气预报的不确定性

ditikhatun11

我们推出 SEEDS，这是一种利用扩散模型加速和改进天气预报的新人工智能技术。 SEEDS 可以显着降低生成集合预报的计算成本，并更好地描述罕见或极端天气事件。 准确的天气预报可以对人们的生活产生直接影响，从帮助做出日常决策（例如为一天的活动携带什么物品）到通知紧急行动（例如，在恶劣的天气条件下保护人们）。随着气候变化，准确及时的天气预报的重要性只会越来越大。认识到这一点，谷歌一直在投资天气和气候研究，以帮助确保未来的预报技术能够满足对可靠天气信息的需求。我们最近的一些创新包括MetNe小时的高分辨率预测）和GraphCast（一种可以预测未来 10 天天气的天气模型）。 天气本质上是随机的。为了量化不确定性，传统方法依靠基于物理的模拟来生成预测集合。然而，生成大型集合以便准确识别和表征罕见和极端天气事件的计算成本很高。

考虑到这一点，我们很高兴地宣布我们旨在加速天气预报进展的最新创新，可扩展集成包络扩散采样器（SEEDS），最近发表在《科学进展》上。 SEEDS 是一种生成式人工智能模型，可以有效地大规模生 阿曼电报吗数据库 成天气预报集合，而成本仅为传统基于物理的预报模型的一小部分。这项技术为天气和气候科学开辟了新的机遇，它代表了概率扩散模型在天气和气候预测中的首批应用之一，概率扩散模型是媒体生成最新进展背后的一种生成人工智能技术。 概率预测的必要性：蝴蝶在华盛顿举行的美国科学促进会会议上，麻省理工学院气象学教授埃德·洛伦茨做了题为“巴西蝴蝶翅膀的扇动是否会在德克萨斯州引发龙卷风？”的演讲，其中有贡献说到“蝴蝶效应”这个词。他在 年发表的具有里程碑意义的论文的基础上进行了研究，在该论文中，他研究了“超远程天气预报”的可行性，并描述了当与数值天气预报模型及时集成时，初始条件的误差如何呈指数级增长。这种指数误差增长（称为混沌）会导致确定性可预测性限制，从而限制了决策中个人预测的使用，因为它们无法量化天气条件固有的不确定性。

       



在预测飓风、热浪或洪水等极端天气事件时，这一点尤其成问题。 认识到确定性预报的局限性，世界各地的气象机构发布了概率预报。此类预测基于确定性预测的集合，每个预测都是通过在初始条件中包含合成噪声和物理过程中的随机性来生成的。利用天气模型中快速的误差增长率，集合中的预测有目的地不同：初始不确定性被调整以生成尽可能不同的运行，并且天气模型中的随机过程在模型运行期间引入了额外的差异。通过对集合中的所有预测进行平均来减轻误差的增长，并且预测集合中的可变性量化了天气条件的不确定性。 虽然有效，但生成这些概率预测的计算成本很高。它们需要在大型超级计算机上多次运行高度复杂的数值天气模型。因此，许多业务天气预报只能为每个预报周期生成约 10-50 个集合成员。对于担心罕见但影响大的天气事件的可能性的用户来说，这是一个问题，这些天气事件通常需要更大的集合来评估几天之后的情况。例如，需要一个成员组成的集合来预测发生概的事件的可能性，相对误差小于 。