Fine-tuning a weather model for improved ensemble subseasonal forecasting
本文表明，通过将预训练的 GraphCast 模型进行微调并结合计算成本较低的集成策略，可以显著改善次季节降水预报，在第 3 周和第 4 周的表现上优于成熟的 ECMWF S2S 集成系统。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
对天气进行预测是我们大多数人的日常仪式，但气象学家在展望未来一周或两周之后时，面临着更为艰巨的挑战。在可靠的短期预测（用于规划周末计划）与宏观的季节性展望（告知夏季是湿润还是干燥）之间，存在着一个众所周知的预报技能缺口。这个中间地带涵盖了提前两到六周的时间段，通常被称为“可预报性沙漠”。在这一时间范围内，大气层已经遗忘了其初始状态，但又尚未受到海洋温度等缓慢移动因素的足够影响，以至于可以被轻易推测。这个缺口至关重要，因为它是社区需要为洪水或干旱等灾害做准备的窗口期，这些灾害往往需要数周时间才会发展，并需要及早采取行动以减轻影响。
几十年来，科学家们一直依赖复杂的计算机模型来模拟大气的物理过程，将空气视为受运动和热力学定律支配的流体。这些模型功能强大，但运行成本极高，需要超级计算机来处理预测数据。最近，新一代人工智能模型应运而生，它们通过研究数十年的历史数据而非求解物理方程来学习预测天气。虽然这些人工智能模型在短期预测方面取得了显著成功，但在预测期延伸到那个困难的两到六周窗口时，却难以保持准确性。这些预测中的误差会随着每一步的推进而不断累积，迅速使有用的预报变成一种猜测。
一组研究人员现在发现了一种无需超级计算机即可弥补这一差距的方法。通过对现有的一个人工智能天气模型进行专门的训练，他们显著提高了该模型预测未来三到四周天气模式的能力。该团队并没有从头开始构建一个新模型；相反，他们采用了一个已经擅长预测未来几天天气的模型，并教会它以一种不同的方式观察天气。他们不再试图逐小时预测天气并任由误差累积，而是调整模型，使其预测一整周的平均天气状况。这种方法有效地跳过了导致误差堆积的步进式猜测游戏，让模型能够看到未来几周的大局。
为了使这些预测更加可靠，研究人员创建了一个“集合”，即一组略有不同的模型版本。想象一下，向十一位不同的专家询问关于同一周天气的意见，其中每位专家都研究了一套略有不同的历史记录。通过取其平均值，这个群体得出的共识比任何单一专家单独提供的答案都要准确。研究人员训练了十一个截然不同的模型版本，每个版本都使用了可用四年历史数据中的不同片段。当他们结合这十一个版本的结果时，最终的预报变得异常精准。
与该领域目前的金标准——欧洲中期天气预报中心使用的一套复杂系统相比，这种方法的成果令人瞩目。在预测第三周和第四周的天气时，这种新方法表现优异，尤其是在预测降水量方面。这是一个至关重要的发现，因为准确的降水预报对于水资源管理和防灾准备至关重要。虽然传统系统在预测热带海洋上某些大气模式（那里海气相互作用非常复杂）方面仍保持优势，但新方法在大多数其他变量和地区都证明了其优越性。研究人员指出，该技术不仅在这些较长的前期预测中更准确，而且效率也高得多。传统系统需要巨大的计算能力和数周的训练时间，而他们的方法可以在大约一天内使用单张图形卡完成训练，这使得高质量的次季节预报能够被更广泛的科学家和组织所使用。
这项研究强调，解锁更好长期预报的关键可能不在于建造更大、更复杂的机器，而在于教会现有工具以不同的方式思考。通过将重点从每小时的细节转向每周平均值，并结合多种训练后的视角，研究人员证明了通过一种成本效益高、数据驱动的策略，可以克服长期困扰次季节预报的局限性。这项工作表明，“可预报性沙漠”并非大气层不可改变的特征，而是一个可以通过人工智能与巧妙训练技术相结合来应对的挑战。展望未来，研究人员看到了进一步改进的清晰路径，例如将海洋数据直接整合到模型中，以更好地捕捉驱动天气模式的缓慢移动力量，从而有望实现未来更精确的预报。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。