我們或許正在經歷2009 年以來最複雜的春運天氣。近期，我國中東部地區迎來持續大範圍雨雪冰凍天氣，2 月4 日更是大風、大霧、暴雪、冰凍四預警齊發，部分地區高鐵、高速、航班等交通出行均受到不同程度的影響。對於即將回家或正在回家路上的人來說，返鄉的路程十分漫長。

圖｜全國春運道路安全出行天氣地圖（資料來源：央視新聞）

近年來，異常高溫、海嘯、颱風（颶風）、洪水、冰雹等極端天氣，也同樣對人們的經濟生活造成了巨大負面影響。

如何及時、準確地預測短時和未來的天氣狀況，已成為科學家試圖努力攻破的重要課題之一。

目前，隨著人工智慧（AI）大模型的不斷發展，大型AI 氣象預測模型（Large AI Weather forecast Model，LWMs）已成為中程天氣預測的關鍵組成部分，在上述極端天氣事件的預測中的表現要優於傳統數值天氣預報。

其中，表現亮眼的AI 模型包括：華為的盤古氣象（Pangu-Weather）、Google DeepMind 的GraphCast，以及FengWu 和FuXi AI 等。

為什麼AI 可以預測天氣？

這些AI 模型之所以如此強大，是因為它們能夠深入研究天氣資料中的複雜關係和模式。

其中一個顯著的優勢是，這些AI 模型能夠透過數以億計的參數，更精準地捕捉和模擬大氣中的微小變化，因而在複雜氣象條件下表現出色。

同時，這些AI 模型的工作原理也是其卓越性能的關鍵。相較於傳統的數值天氣預報模型，它們採用了全新的學習策略。透過對歷史資料進行深度學習，AI 模型能夠不斷自我優化，逐漸提高對大氣動力學和氣象學的理解。這種迭代的學習過程，使得AI 模型能夠更好地適應不同的氣象條件，並迅速反應氣候變遷的複雜性。

（來源：Pixabay）

值得一提的是，這些AI 模型不僅僅是機械地對數據進行擬合，還展現了強大的泛化能力。也就是說，它們不僅能夠精確地預測過去出現的天氣狀況，還能在未來的未知條件下進行可靠的預測。這依賴於模型對於不同時間尺度和空間尺度的深刻理解，使其在極端天氣事件預測中扮演重要角色。

此外，這些AI 模型還採用了先進的運算架構，如圖神經網路（Graph Neural Networks，GNN）和Transformer 模型。這些先進的計算架構使得AI 模型能夠更好地處理複雜的氣象數據，以及數據之間的複雜關係，從而提高預測的準確性。透過多層次、多尺度的學習，模型能夠更全面地理解大氣系統的運作機制，為準確的天氣預測奠定堅實基礎。

AI 如何引發天氣預報的第二次革命？

傳統數值天氣預報模型通常需要大量運算資源，而AI 模型利用GPU 或TPU 大大提高運算效率。

這使得我們可以建立高解析度的集合預報，大幅超越了傳統模型的限制。同時，這些AI 模型的用戶友好性和開源特性，使個人用戶能夠在個人電腦上輕鬆進行客製化天氣預報，使資訊的傳播變得更加高效便捷。

以FengWu-GHR 模型為例，其成功解決了高解析度訓練資料的缺乏和過於平滑的預測問題。據介紹，它FengWu-GHR 第一個基於機器學習的全球最高解析度數值天氣預報模型。

圖｜FengWu-GHR 的結構。a）從低解析度的長期歷史再分析資料中學習物理定律；b）一種外推方法，使預訓練的LR 模型能夠在高分辨率分析場上運行；c）一種遷移學習演算法，可以補充預訓練模型，以捕捉小規模天氣現象。；d）在每個步驟的參數層級上實施低秩適應，以提高長期推出期間的預測技能。

據介紹，FengWu-GHR 是第一個能夠在0.09° 水平分辨率下運行的機器學習全球數值天氣預報模型，將格點密度提高了大約八倍，為更準確、更精細的全球天氣預測提供了堅實的技術基礎。

它採用了一種新穎的方法，即從一個預先訓練的低解析度模型中繼承先驗知識。這個策略為高分辨率的天氣預測模型提供了寶貴的啟示，實現了先進模型之間的資訊傳遞，為高分辨率預測提供了新的可能性。

為了更好地捕捉小尺度天氣現象，FengWu-GHR 引入了區域增強模擬（RES）模組。這個模組透過分解和組合式遷移學習，對局部的注意力機制進行操作，從而提高對小尺度天氣模式的感知能力，進一步提高了高解析度預測的技能分數。

針對長導向預測中可能出現的誤差累積問題，FengWu-GHR 引入了低秩適應（LoRA）方法。此方法獨立微調每個預測步驟的參數，確保了在微調的同時保持先前訓練參數的完整性，有效地解決了以往方法中存在的一些限制。

當然，AI 模型在全球海洋波浪預​​測中也有用武之地。

全球海洋波浪預​​報一直是航海、漁業和海洋資源管理等領域至關重要的訊息之一。傳統的方法往往受制於運算資源和複雜的海洋動力學，而AI 為這一領域帶來了新的可能性。

FuXi AI 模型由復旦大學團隊提出，採用了創新的級聯方法，整合了三個經過精心調試的U-Transformer 模型，這三個模型分別在0-5 天、5-10 天和10-15 天的導報時段進行最佳化。

根據介紹，模型的獨特之處在於，透過級聯這些模型，產生全面的15 天天氣預報，顯著提高了中期天氣預報的準確性和可靠性。

這個AI 模型被成功應用於全球海洋波浪的多個方面，涉及三個主要組成部分：有效波高（SWH）、平均波週期（MWP）和平均波方向（MWD）。研究者採用了ERA5 再分析資料集，提供1 度解析度的全球範圍數據，以及NOAA 的地球地形資料集，用於固定地形邊界。

此外，FuXi AI 模型採用了Vision Transformer（ViT）作為編碼器。ViT 模型對於小尺度波浪的預測具有卓越的精度，相對誤差在1 天的導報中保持在5% 左右。

值得注意的是，對於大於6 公尺的極端海洋波的預測，ViT 模型的均方根誤差（RMSE）超過了1 公尺。這表明，儘管模型在普通海況下表現優異，但在極端情況下的準確性仍有提升空間。

然而，在模擬颱風引起的大波浪方面，ViT 模型在1、4 和7 天的導報中顯示出色的預測性能，最大波高的預測誤差僅約為1 公尺。

FuXi AI 模型的創新之處在於，它綜合考慮了諸如總降水等診斷性量的預測。研究團隊借助FuXi 框架進行了廣泛研究，並開發了一系列模型，包括FuXi-extreme 和FuXi-S2S。這些模型在不同預報時間尺度上都表現優異。

儘管AI 模式為天氣預報帶來了巨大的希望，但在其發展過程中仍面臨一些挑戰。

其中之一是資料品質控制和同化，關鍵在於減少對動力模型分析資料的依賴，更注重即時資料輸入。同時，確保集合預報的可靠性，如何有效設計與AI 模型特性和物理法則一致的初值擾動方案，也是亟需解決的問題。

圖｜大型AI 模型與動態模型的可能整合示意圖，用來改善天氣預報。

不可否認的是，AI 模型將成為未來天氣預報的重要組成部分，但與傳統數值天氣預報模式協同發展也至關重要。它們的融合將提高我們對大氣動力學的理解，為更全面、可靠的天氣和氣候變遷預測奠定基礎。

未來，我們期待見到更多關於AI 預測天氣的最新研究，共同見證這場天氣預報的科技變革。