无论是在天气预报内部还是外部，机器学习都在以惊人的速度发展。为了帮助评估来自不同来源的机器学习天气预报，我们现在在ECMWF的图表目录中显示了一系列天气预报。

我们还在探索使用机器学习模型来进行集合预报，以呈现未来天气可能性的范围。

欧洲中期天气预报中心(ECMWF)一直强调数据驱动预报的快速增长。这些是由基于机器学习的预测模型产生的，这些模型由NVIDIA、华为和GoogleDeepMind等创新者创建。

由ECMWF实施的哥白尼气候变化服务(C3S)生成的ERA5再分析是用于训练这些模型的数据集。当初始条件良好时，他们可以做出准确的10天预测。

今年夏天，我们重点分析了华为的盘古天气，了解其优缺点，并将结果整理在提交的手稿中。在该技术的早期阶段，一些结果已经显示出与ECMWF的综合预报系统(IFS)相当的能力，这是一项令人兴奋的成就。

最近一系列有希望和令人着迷的结果可能会改变我们科学的游戏规则，因此花时间正确评估这些模型的操作价值非常重要。

“FourCastNet是第一个基于人工智能的0.25度天气预报系统，也是第一个开源的系统。我们的新版本显着提高了中程技能和长期稳定性，因为该模型尊重球面几何形状。随着我们规模的扩大此外，我们很高兴能够继续使用能够实现超分辨率或本地缩小的神经算子框架。”NVIDIAEarth-2团队的AnimaAnandkumar说道。

寻求反馈

我们认为，最佳策略是向具有实际应用的广泛用户展示这些机器学习系统以及经过尝试和测试的操作预测，并邀请有关系统操作准备情况和性能的反馈。我们认为预报准确性、可靠性、不确定性和通信等因素对于评估气象产品的质量和有效性至关重要。

为此，从ECMWF初始条件开始并使用NVIDIA的FourCastNet、华为的盘古天气和GoogleDeepMind的GraphCast进行的每日预测现在可以在ECMWF的公共图表页面上免费查看。有关每个模型的详细信息可以在ECMWF网站上找到。

我们展示了一系列预测产品，具体取决于这些模型产生的变量，例如，并非所有模型都预测降水。我们通过在验证部分添加图表来提供有关这些预测质量的额外指导，以显示这些模型在可比较环境中针对不同用户和应用程序的技能水平。我们鼓励每个人联系并分享他们从这些模型中最有趣的发现。

ECMWF预测总监表示：“开放科学是创新、协作和发现的关键。通过共享数据、方法和结果，并使其易于获取和比较，我们可以加速科学进步，最终造福社会。”弗洛里安·帕彭伯格。

我们开发了一种软件解决方案，让公众通过一个命令即可访问这些模型，以提高透明度和可重复性。该软件包可以自动从不同的地方检索预测的初始条件，包括我们的MARS档案、气候数据存储以及本地文件存储。

通过插件系统，我们使任何人都可以安装和访问不同的模型。它以ai-models的形式免费发布，并带有FourCastNet、Pangu-Weather和GraphCast的公共插件。

“我们很高兴知道盘古天气出现在ECMWF的图表上。这意味着世界上每个人都可以访问盘古的结果，而无需下载任何数据并运行任何代码，”盘古天气的作者之一谢灵曦说。

未来的计划

从我们的分析中，我们看到有证据表明基于机器学习的预测将在未来的运营预测系统中发挥作用。然而，未来仍然存在有趣的挑战。例如，这些模型尚未产生集合预测，我们认为这是为中期时间尺度提供有价值的预测的关键。

为了应对这些挑战，今年夏天早些时候，ECMWF启动了一个项目来创建概率机器学习预测系统AIFS。这将建立在过去几年在机器学习领域进行的所有研究的基础上，同时也建立在我们数十年在构建和验证集成系统方面的专业知识的基础上。

“天气预报系统对整个人类产生深远而有益的影响。GraphCast，GoogleDeepMind的机器学习全球天气模型，是我们推进这项关键技术的尝试。GraphCast可在github上使用，分享其实时天气预报是一个重要的举措。下一步是建立对其性能的信任，支持天气和机器学习社区，并获取反馈以进一步改进下一代模型。”GoogleDeepMindGraphCast团队表示。

概述论文已发布在arXiv预印本服务器上。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：