隨著極端天氣事件愈發(fā)頻繁，破壞性也越來(lái)越強(qiáng)，能夠?qū)ζ溥M(jìn)行預(yù)測(cè)變得至關(guān)重要。對(duì)于那些對(duì)天氣波動(dòng)非常敏感的行業(yè)來(lái)說(shuō)，次季節(jié)氣候預(yù)測(cè)（即預(yù)測(cè)兩周或更長(zhǎng)時(shí)間之后的天氣），為主動(dòng)決策和風(fēng)險(xiǎn)管理奠定了基礎(chǔ)。

借助次季節(jié)氣候預(yù)測(cè)，干旱地區(qū)的農(nóng)民可以更好地選擇農(nóng)作物并管理水資源，電力公司可以平衡能源供需，漁業(yè)可以防范海洋熱浪的侵襲，政府也能為自然災(zāi)害和公共衛(wèi)生威脅做好充分準(zhǔn)備。例如，如果預(yù)測(cè)顯示某個(gè)地區(qū)未來(lái)的天氣狀況不佳，政府就可以提前部署移動(dòng)消防和緩解熱浪風(fēng)險(xiǎn)的基礎(chǔ)設(shè)施。

過(guò)去兩年，科研人員更積極地利用 AI 模型來(lái)預(yù)測(cè)天氣和氣候，而且它目前在實(shí)際業(yè)務(wù)場(chǎng)景中也逐漸得到應(yīng)用。NVIDIA Earth-2 平臺(tái)通過(guò)提供一系列高性能、可擴(kuò)展的工具，持續(xù)為科學(xué)界和企業(yè)界提供支持。無(wú)論是希望評(píng)估和驗(yàn)證模型能力的氣象專(zhuān)家，還是致力于為不同用例和數(shù)據(jù)集開(kāi)發(fā)、定制并擴(kuò)展模型的 AI/ML 專(zhuān)家，都能從中受益。

本文將概述 Earth-2 平臺(tái)為氣象專(zhuān)家提供的各項(xiàng)功能，這些功能可助力他們用遠(yuǎn)低于傳統(tǒng)非機(jī)器學(xué)習(xí)技術(shù)的計(jì)算成本，開(kāi)發(fā)和驗(yàn)證用于概率次季節(jié)預(yù)測(cè)的大型集合。

使用 AI 進(jìn)行次季節(jié)預(yù)測(cè)

AI 氣象模型的關(guān)鍵優(yōu)勢(shì)之一是：能以比傳統(tǒng)方法低幾個(gè)數(shù)量級(jí)的計(jì)算成本，運(yùn)行規(guī)模大得多的業(yè)務(wù)集合。加州大學(xué)伯克利分校的研究人員今年早些時(shí)候展示了一種有效的方法：利用 Bred Vector/Multi Checkpoint（BVMC）方法生成校準(zhǔn)良好、包含數(shù)千個(gè)成員的集合（“巨型集合”，簡(jiǎn)稱(chēng) HENS）。JBA 和 AXA 等企業(yè)正將這種 HENS 方法與 FourCastNet V2（SFNO）模型結(jié)合，用于保險(xiǎn)領(lǐng)域的回溯測(cè)試。

最新版 Earth2Studio 引入了新的次季節(jié)-季節(jié)（S2S）預(yù)測(cè)功能，并在深度學(xué)習(xí)地球系統(tǒng)模型（DLESyM）中進(jìn)行了展示。這是一種簡(jiǎn)約的深度學(xué)習(xí)模型，結(jié)合了多層大氣 AI 模型與一個(gè)預(yù)測(cè)海表溫度演變的獨(dú)立海洋 AI 模型。

該模型的架構(gòu)是一種 U-Net，其填充操作經(jīng)過(guò)修改后，可支持使用分辨率約為 1 度的 HEALPix 網(wǎng)格。由于這種架構(gòu)基于不使用位置嵌入的局部模板，因此具有廣泛使用的潛力。該模型已被證明能夠在數(shù)月時(shí)間尺度上漸進(jìn)到預(yù)期的氣候?qū)W誤差率。同時(shí)，華盛頓大學(xué)的研究人員還表明，該模型在氣候尺度模擬中具有顯著的自回歸穩(wěn)定性。

使用該模型生成次季節(jié)預(yù)測(cè)非常簡(jiǎn)便。完整實(shí)現(xiàn)代碼可在 Earth2Studio 中獲取。

利用集合進(jìn)行概率預(yù)測(cè)

然而，S2S 預(yù)測(cè)本質(zhì)上是概率性的，而非確定性的。它并非提前數(shù)月預(yù)測(cè)某一天的確切天氣情況，而是提供季節(jié)條件偏離常態(tài)的可能性。這些預(yù)測(cè)通常以三分位概率表示：即將到來(lái)的季節(jié)處于歷史氣候分布上三分之一（高于正常）、中三分之一（接近正常）或下三分之一（低于正常）的概率，適用于溫度或降水等變量。

在這個(gè)新模型出現(xiàn)之前，已有企業(yè)在 S2S 預(yù)測(cè)中結(jié)合使用 HENS 方法和 FourCastNet V2（SFNO）模型。加州大學(xué)歐文分校的研究人員表明，在 Madden-Julian 振蕩（MJO）的可預(yù)測(cè)性方面，該模型的能力與歐洲中期天氣預(yù)報(bào)中心（ECMWF）的預(yù)報(bào)系統(tǒng)相當(dāng)；而 MJO 是大氣中 S2S 可預(yù)測(cè)性的主要來(lái)源。

如今，Earth2Studio 為有興趣嘗試 HENS-SFNO、DLESyM 或其他模型進(jìn)行 S2S 預(yù)測(cè)的用戶(hù)提供了一套新的 S2S 方案。為滿(mǎn)足更大規(guī)模集合和更長(zhǎng)預(yù)測(cè)時(shí)間尺度的需求，該方案支持多 GPU 分布式推理和并行 I/O，以便在生成預(yù)測(cè)數(shù)據(jù)時(shí)高效保存數(shù)據(jù)。如果存儲(chǔ)空間有限，用戶(hù)也可選擇僅保存部分預(yù)測(cè)輸出結(jié)果。與 Earth2Studio 中的 HENS 方案類(lèi)似，為簡(jiǎn)化該方案的使用，運(yùn)行該集合的復(fù)雜環(huán)節(jié)已預(yù)先處理妥當(dāng)。如要控制其行為只需指定配置即可。

借助這個(gè)新方案，該領(lǐng)域的專(zhuān)家現(xiàn)在可以通過(guò) HENS FourCastNet V2（SFNO）和 DLESyM 生成大型集合預(yù)測(cè)，從而了解和驗(yàn)證這些模型的功能。例如，可以研究初始擾動(dòng)或模型檢查點(diǎn)權(quán)重的變化如何影響預(yù)測(cè)的不確定性。這能夠生成功能強(qiáng)大、經(jīng)過(guò)校準(zhǔn)的次季節(jié)預(yù)測(cè)集合，可以探索其它策略，以?xún)?yōu)化在 S2S 時(shí)間尺度上 AI 的預(yù)測(cè)校準(zhǔn)。

作為演示案例，該方案可用于生成 2021 年美國(guó)西北太平洋地區(qū)熱浪的 S2S 預(yù)測(cè)，如圖 1 所示。根據(jù)《地球物理研究快報(bào)》上發(fā)表的《2021 年北美西部熱浪及其次季節(jié)預(yù)測(cè)》一文，此次前所未有的熱浪出現(xiàn)了極端高溫且持續(xù)時(shí)間很長(zhǎng)，并且在 S2S 時(shí)間尺度上難以預(yù)測(cè)。雖然沒(méi)有模型能完美捕捉熱浪的位置和強(qiáng)度，但我們可以看到，所有模型都提前三周預(yù)測(cè)到了北美地區(qū)會(huì)出現(xiàn)一定程度的異常變暖現(xiàn)象，只是 HENS-SFNO、IFS ENS 和 DLESyM 的預(yù)測(cè)精確性有所不同。

2021 年美國(guó)西北太平洋地區(qū)熱浪的周平均 S2S 預(yù)測(cè)的樣本對(duì)比（從左上角開(kāi)始逆時(shí)針?lè)较颍篒FS ENS（11 個(gè)回溯測(cè)試成員，通過(guò) ECMWF API 下載）、SFNO-HENS 和 DLESyM，以及預(yù)測(cè)第三周對(duì)應(yīng)的 ERA5 數(shù)據(jù)。所有模型都預(yù)測(cè)北美地區(qū)會(huì)出現(xiàn)一定程度的異常變暖，但由于預(yù)測(cè)時(shí)間太早，難以同時(shí)捕捉這種極端高溫的確切位置和強(qiáng)度。

未來(lái)方向

加速采用 AI 進(jìn)行 S2S 預(yù)測(cè)，需要該領(lǐng)域?qū)＜覍?duì)這類(lèi)模型及其功能進(jìn)行更全面的評(píng)估。提供開(kāi)源庫(kù)降低了 AI 技能的入門(mén)門(mén)檻，同時(shí)也能為 AI/ML 研究社區(qū)提供關(guān)于模型未來(lái)發(fā)展的反饋信息。

ECMWF 舉辦的 AI Weather Quest競(jìng)賽，旨在促進(jìn)相關(guān)人士積極參與，共同推動(dòng) S2S 預(yù)測(cè)的發(fā)展。在 NVIDIA 工程師積極備賽的同時(shí)，NVIDIA 也正致力于將 Earth-2 中的工具與 ECMWF 為競(jìng)賽提供的工具進(jìn)行整合，以方便參賽者使用。這將幫助人們更快地迭代，能直接使用 Earth2Studio 生成的預(yù)測(cè)數(shù)據(jù)和 ECMWF 的 AI-WQ-package 來(lái)評(píng)估模型，并能在 PhysicsNeMo 中訓(xùn)練自定義模型。這些工具與 NVIDIA 研究團(tuán)隊(duì)使用的工具相同，我們希望通過(guò)分享這些工具，助力其他研究人員快速迭代他們的想法。

一般來(lái)說(shuō)，大型 S2S 集合預(yù)測(cè)的高效推理和評(píng)分是科研進(jìn)程的重要組成部分。正確評(píng)估模型需要對(duì)大量預(yù)測(cè)進(jìn)行評(píng)分以確定其能力。為了加快這一資源密集型過(guò)程，Earth2Studio 現(xiàn)在能夠高效地運(yùn)行大型 S2S 集合并進(jìn)行評(píng)分。例如，如果使用多個(gè)大氣和海洋模型進(jìn)行一整年的 DLESyM 集合預(yù)測(cè)，在 8 個(gè) GPU 上只需不到兩小時(shí)即可完成運(yùn)行和評(píng)分。

要點(diǎn)

對(duì)于諸多對(duì)氣候非常敏感的行業(yè)來(lái)說(shuō)，S2S 預(yù)測(cè)至關(guān)重要。本文討論了 Earth2Studio 中的關(guān)鍵新功能，這些功能可助力企業(yè)評(píng)估和驗(yàn)證預(yù)訓(xùn)練的大氣-海洋耦合 AI 預(yù)測(cè)模型（如 DLESyM），以生成集合預(yù)測(cè)。