微软开发出数据驱动的AI天气预测模型能准确预报未来 30 天天气情况

微软为 MSN 天气引入一项最新的天气预测模型，该模型基于微软 Start 团队近日的最新研究成果，结合了 5 种不同的人工智能模型和 3 种深度学习架构，并利用 了过去数十年的天气数据进行训练， 能够准确预测 30 天内的天气预报。 在预估未来 1 周天气预报方面，新 AI 模型所测量的气温准确率比欧洲中期天气预报中心（ECMWF）高 17%，未来 4 周天气预报准确率高 4%。 目前普遍使用的 NWP / ECMWF 模型需要 超级计算机才能运行 ，而该预测模型相对于传统的 NWP / ECMWF 方案可以更快、更准确地预测天气。

这款模型运作方式基于三维地球仪上大气层的当前状态（纬度、经度和高度）预测未来一段时间的大气状态，此后将相关状态数据重复反馈到模型中，以预测更长时间后的天象变化：

例如，可以在单个NVIDIA V100图形处理单元上在不到2小时内产生100个30天的预测，包括所有数据输入/输出时间。

AI天气模型有潜力在超过十天的天气预测中带来重大改进。微软正在通过其Windows 10、Windows 11、Microsoft Edge、Bing以及Bing和Microsoft Start移动应用程序，将这些30天预报纳入其不断增长的全球领先天气建模库中。

主要能力 温度预测 ：在未进行统计偏差校正的情况下，在一周和四周的温度预测上分别比ECMWF模型表现提高了17%和4%。这意味着微软的模型在短期和中期预测方面更为准确，能够更好地预测接下来几周的温度变化。显示了集成模型在处理全球温度预测方面的高效能力。

概率预测的优化 ：

连续排序概率分数（CRPS）表明，对于2米温度，集成模型的CRPS比原始ECMWF模型低4%（第四周）到17%（第一周），表明在预测概率分布与观测数据的一致性上，集成模型表现更好。 在经过统计偏差校正后，ECMWF模型的表现略优3%，但这也反映了该集成模型在原始状态下就已经具有较低的系统偏差。 模型集成与扩展 ：

这种集成不仅包括数据驱动模型，还尝试结合传统的数值天气预测（NWP）模型，提高了集成预测的可靠性和精确性。 通过结合AI模型和传统数值预报模型的优势，微软的集成模型不仅能够提供单一模型的预测结果，还能生成一个200成员的概率预测集合。这种方法增加了预测的多样性和复杂性，有助于更好地捕捉天气的不确定性和变异性。 其他表面参数的预测 ：

对于2米露点温度和总云量覆盖等其他表面参数，集成模型的CRPS表现也与ECMWF模型的表现接近，这说明集成模型在多个关键气象参数的预测上均具备较高的准确性。 预测的校正与可靠性 ：

集成模型还对比了校正后的ECMWF模型和未校正的自身模型，结果表明，虽然ECMWF模型在校正后的表现略好，但集成模型在未校正的情况下就已具备较低的偏差。 集成模型的排名直方图接近均匀，表明集成预测的可靠性高，观测值分布在预测范围内的均匀性更好。 优势特点 增强的预测精度 ：

使用多种深度学习架构整合的集合模型，在短期（一周）和中期（四周）预测的精度上表现优于ECMWF模型。特别是在没有进行统计偏差校正的情况下，表现更为突出。 高效的计算速度 ：

利用现代GPU技术，该系统可以快速生成大量的预测，大大减少了计算时间。例如，在单个GPU上，可以在2小时内完成100个30天预测周期的模拟，这比传统NWP模型使用的超级计算资源要高效得多。 概率预测的提供 ：

系统不仅提供传统的确定性预测，还能生成概率预测，帮助用户了解不同预测结果的可能性，这对于进行风险管理和做出更为谨慎的决策至关重要。 灵活的模型集成 ：

通过结合多种模型，该系统能够利用各个模型的优点，增强整体预测的鲁棒性。这种多模型集成方法提高了集合预测的多样性，有助于更好地捕捉和表现不同天气现象的不确定性。 统计偏差校正的应用 ：

该系统对预测模型进行统计偏差校正，尤其是在子季节和季节性时间尺度上，有效地改善了模型在长期预测中的表现。这种偏差校正有助于纠正物理模型不完美所引起的系统误差。 数据驱动与物理模型的结合 ：

该系统不仅利用数据驱动的方法进行天气预测，还与物理基础的海洋模型相结合，提供关于长期变化的关键信息，这是单纯使用传统NWP模型或数据驱动模型无法实现的。 模型架构 该天气预测系统是基于三种架构的五个训练模型：一种改进的MS-Nowcasting模型，一个基于FourCastNet的模型，以及三个基于GraphCast的图神经网络(GNN)模型。每个模型都经过了独立的优化和验证，适用于次季节到季节（S2S）的预测。

具体细节如下：

多模型集合策略 ：

该系统不依赖于单一的模型进行预测，而是使用五个独立训练的模型来提高预测的准确性和鲁棒性。这种集合方法能够整合不同模型的优势，减少任一单一模型可能带来的偏差或误差。 改进的MS-Nowcasting模型 ：

这个模型是一种结合了ConvNeXt和ConvLSTM自编码器的卷积神经网络，使用了定制的扩张卷积块。 模型大约有1500万参数。 结合了卷积神经网络和长短期记忆单元的架构特别适合处理空间和时间序列数据，能够有效捕捉气象数据中的时空特征。 FourCastNet模型 ： FourCastNet 模型：

基于FourCastNet架构，该模型通过减少补丁大小至2×2来降低下采样的影响。 模型拥有约4600万参数。 通过自适应傅立叶技术处理大规模的气象数据，适合全球尺度的天气预测。 基于GraphCast的图神经网络（GNN）模型 ：

利用图结构来表示和处理数据，非常适合模拟和预测复杂的气象系统中的动态过程。 一个模型是在NVIDIA的Modulus库中使用GraphCast实现训练的，采用6级多网格，大约有2000万参数。 另一个模型是根据自己的GraphCast实现训练的，同样使用6级多网格和大约2000万参数，但在优化器参数上有所不同。 第三个GNN模型与上一个模型类似，但它还接受来自目标时间步的日照和海面温度（SSTs）作为输入特征。 训练数据 ：

模型的训练数据来源于过去数十年的天气观测，使用ECMWF的ERA5再分析数据集。这些数据包括了从1979年到2014年的历史气象数据，以及2015年至2018年的验证和测试数据。这种长期的数据积累为模型提供了丰富的学习材料，有助于捕捉和理解复杂的气候模式和天气现象。 预测能力 ：

通过训练，这些模型学会识别气象数据中的模式，并预测其未来状态。每个模型都可以独立运行，生成未来几小时到几周的天气预测。在预测过程中，模型将前一时间点的预测结果作为下一步预测的输入，形成一个自回归的预测链。 详细报道： https://blogs.bing.com/search-quality-insights/May-2024/Weather-from-Microsoft-Start%E2%80%99s-new-AI-capabilities-are-improving-30-day-weather-forecasts 论文： https://arxiv.org/abs/2403.15598