您尚未登录账户
您的企业账号申请正在审核中
Google DeepMind开源GenCast：一种基于机器学习的天气模型
在天气预测这一复杂而关键的领域中，精确性一直是科学家们追求的目标。然而，由于大气动力学的固有不确定性和天气系统的非线性特性，实现这一目标面临着巨大挑战。近日，Google DeepMind的研究人员推出了一款名为GenCast的革命性天气预测模型，该模型凭借其卓越的概率性预测能力，为天气预测领域带来了前所未有的变革。
传统上，数值天气预报（NWP）模型通过集合预报提供概率性见解，但这类模型不仅计算成本高，而且容易出错。与此同时，机器学习（ML）模型虽然在提供快速、准确预测方面展现出巨大潜力，但在表示预测不确定性方面却存在明显不足，尤其是在极端天气事件中。这一局限性限制了ML模型在实际应用中的广泛推广。
然而，GenCast模型的出现打破了这一僵局。作为一款概率性天气预测模型，GenCast能够生成准确且高效的集合预报。该模型利用条件扩散模型生成天气的随机轨迹，使得集合预报能够全面涵盖大气条件的概率分布。通过自回归抽样和与图变换器处理器集成的去噪神经网络，GenCast能够以系统的方式生成预报轨迹，从而在技能和速度方面均超越了最先进的ENS模型。
在开发过程中，GenCast模型充分利用了40年的ERA5再分析数据，捕捉到了丰富的天气模式，并提供了高性能表现。这一特性使其能够在短时间内以高分辨率生成全球范围内的长期预报。具体来说，GenCast能够在8分钟内以0.25°的分辨率生成15天的全球预报，这在天气预测领域是一项令人瞩目的成就。
在广泛的评估指标中，GenCast模型表现出了卓越的性能。在97.2%的目标领域中，该模型在关键大气变量（如温度和湿度）的概率准确性上有了显著提升，最高可达30%。此外，GenCast还为极端大气事件（包括热浪和气旋）提供了更可靠的预测。在关键引导时间下，它减少了热带气旋移动的空间不确定性约12小时。这些发现充分证明了GenCast模型在提供更快、更精确和更强韧的替代方法方面的潜力。
值得一提的是，GenCast模型不仅在预测技能上取得了突破，还在计算效率上实现了显著提升。与传统的NWP模型和现有的ML模型相比，GenCast在生成概率集合方面展现出了极高的效率。这使得该模型在实际应用中更具竞争力，为天气预测领域带来了新的可能性。
GenCast模型的推出标志着天气预测领域的一次重大革新。该模型利用机器学习和生成建模技术，确保了高质量、高效和逼真的集合预报。随着技术的不断进步和应用领域的不断拓展，GenCast有望在未来为灾害预警、能源管理和公共安全等高风险决策领域提供更加精准的支持和保障。这一革命性的天气预测模型无疑将引领天气预测领域走向更加美好的未来。
