11月15日，谷歌旗下著名AI研究機構Deepmind在官網宣布，開源天氣大模型GraphCast，并公布了論文。

據悉，GraphCast可以在1分鐘內，精準預測而來全球10天的天氣情況，同時可以提前預警大暴雨、大風雪、洪水、高溫、超級臺風等極端惡劣天氣情況，并且優于同類模型HRES。

例如,在溫度預報上,GraphCast的誤差比HRES低10-25%;在海平面氣壓預報上誤差降低了約15%。

GraphCast主要提供了GraphCast、GraphCast_small和GraphCast_operational三種不同分辨率和訓練數據的模型，以滿足不同組織的需求。目前，GraphCast模型已經被ECMWF等氣象機構使用。

開源地址：https://github.com/google-deepmind/graphcast

論文地址：https://www.science.org/doi/10.1126/science.adi2336

在線demo：https://charts.ecmwf.int/products/graphcast_medium-mslp-wind850

谷歌表示，GraphCast之所以比HRES等模型提供更精準的預報,是因為使用了新的圖神經網絡(GNNs)技術。這種技術通過學習天氣系統中的復雜空間交互,來模擬天氣的變化。相比之下,傳統數值模型像HRES依靠人工設計的程序來模擬天氣,存在很大的局限性。

GraphCast簡單介紹

GraphCast是一個端到端的深度學習系統,包含編碼器、處理器和解碼器三個模塊。編碼器，將輸入數據從原始的緯度-經度網格映射到一個多層次的網格上；處理器，在網格上進行多步信息傳遞學習天氣演變規律；解碼器，再把網格映射回經緯度圖上,輸出預報結果。

GraphCast的創新點提出了多尺度網格表示，將常規的六角形網格層級疊加,既包含近程也包含遠程連接,信息可以高效傳播。

GraphCast展示

相比卷積網絡只建模局部,Transformer的計算成本太高,該設計使模型既可模擬天氣系統中的長程依賴,也保持計算高效。

GraphCast訓練數據

研究人員使用了歐洲中期天氣預報中ERA再分析數據集(1979-2020年)來訓練GraphCast,目標是預測未來3天的227個面部和大氣變量,損失函數為預測值和真實值的均方誤差。為模擬連續預報,模型輸出反饋為下一時步輸入,實現自回歸訓練。

在GraphCast整個端到端訓練過程中,無需人工提取特征或設計方法，只需1分鐘就能預測未來10天天氣情況。而傳統的數值天氣預報依靠人工積累的物理知識,需要昂貴的超算集群,計算時間長達1小時。

值得一提的是，盡管訓練數據中不包含任何物理設計,但GraphCast依然學會了許多基本的大氣動力學機制,如羅斯貝波傳播等,這些都是從數據中自動學習,而非人為設計。

GraphCast實驗數據

研究人員在2018年獨立氣象數據上全面評估了GraphCast和HRES的預報結果。

500hPa高度預報:GraphCast的RMSE（衡量模型預測精度的常用指標）平均比HRES降低15%,達到顯著水平，超過HRES的預報真值相關度也有顯著提升。

對流層溫度預報:GraphCast的RMSE降低11%,積分水汽輸送預報RMSE降低10%以上。

表面變量預報:對2米溫度、10米風等變量,GraphCast在短期預報階段同樣優于HRES。

熱帶氣旋路徑預報:GraphCast的中位數預報誤差比HRES降低約15%。

極端天氣預報:GraphCast可以更準確預測極端高溫等強對流天氣。

不過谷歌指出，GraphCast也存在一些限制，例如，當前只能預測部分變量,對云、輻射過程的建模還不夠充分。此外,由于訓練數據的局限,對平流層以上的大氣預報準確率還不能超過HRES。

未來，會繼續提升GraphCast,使它可以預測更多變量,并擴展預測時效。

本文素材來源谷歌官網，如有侵權請聯系刪除

繼續閱讀：

未經允許不得轉載：RPA中國 | RPA全球生態 | 數字化勞動力 | RPA新聞 | 推動中國RPA生態發展 | 流 > 1分鐘精準預測未來10天天氣，谷歌開源GraphCast