隨著極端天氣事件愈發(fā)頻繁，破壞性也越來越強，能夠?qū)ζ溥M行預(yù)測變得至關(guān)重要。對于那些對天氣波動非常敏感的行業(yè)來說，次季節(jié)氣候預(yù)測（即預(yù)測兩周或更長時間之后的天氣），為主動決策和風(fēng)險管理奠定了基礎(chǔ)。

借助次季節(jié)氣候預(yù)測，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)生威脅做好充分準備。例如，如果預(yù)測顯示某個地區(qū)未來的天氣狀況不佳，政府就可以提前部署移動消防和緩解熱浪風(fēng)險的基礎(chǔ)設(shè)施。

過去兩年，科研人員更積極地利用 AI 模型來預(yù)測天氣和氣候，而且它目前在實際業(yè)務(wù)場景中也逐漸得到應(yīng)用。NVIDIA Earth-2 平臺通過提供一系列高性能、可擴展的工具，持續(xù)為科學(xué)界和企業(yè)界提供支持。無論是希望評估和驗證模型能力的氣象專家，還是致力于為不同用例和數(shù)據(jù)集開發(fā)、定制并擴展模型的 AI/ML 專家，都能從中受益。

本文將概述 Earth-2 平臺為氣象專家提供的各項功能，這些功能可助力他們用遠低于傳統(tǒng)非機器學(xué)習(xí)技術(shù)的計算成本，開發(fā)和驗證用于概率次季節(jié)預(yù)測的大型集合。

使用 AI 進行次季節(jié)預(yù)測

AI 氣象模型的關(guān)鍵優(yōu)勢之一是：能以比傳統(tǒng)方法低幾個數(shù)量級的計算成本，運行規(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候展示了一種有效的方法：利用 Bred Vector/Multi Checkpoint（BVMC）方法生成校準良好、包含數(shù)千個成員的集合（“巨型集合”，簡稱 HENS）。JBA 和 AXA 等企業(yè)正將這種 HENS 方法與 FourCastNet V2（SFNO）模型結(jié)合，用于保險領(lǐng)域的回溯測試。

最新版 Earth2Studio 引入了新的次季節(jié)-季節(jié)（S2S）預(yù)測功能，并在深度學(xué)習(xí)地球系統(tǒng)模型（DLESyM）中進行了展示。這是一種簡約的深度學(xué)習(xí)模型，結(jié)合了多層大氣 AI 模型與一個預(yù)測海表溫度演變的獨立海洋 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)月時間尺度上漸進到預(yù)期的氣候?qū)W誤差率。同時，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)測非常簡便。完整實現(xiàn)代碼可在 Earth2Studio 中獲取。

利用集合進行概率預(yù)測

然而，S2S 預(yù)測本質(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)測通常以三分位概率表示：即將到來的季節(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。

在這個新模型出現(xiàn)之前，已有企業(yè)在 S2S 預(yù)測中結(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)測性方面，該模型的能力與歐洲中期天氣預(yù)報中心（ECMWF）的預(yù)報系統(tǒng)相當；而 MJO 是大氣中 S2S 可預(yù)測性的主要來源。

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

借助這個新方案，該領(lǐng)域的專家現(xiàn)在可以通過 HENS FourCastNet V2（SFNO）和 DLESyM 生成大型集合預(yù)測，從而了解和驗證這些模型的功能。例如，可以研究初始擾動或模型檢查點權(quán)重的變化如何影響預(yù)測的不確定性。這能夠生成功能強大、經(jīng)過校準的次季節(jié)預(yù)測集合，可以探索其它策略，以優(yōu)化在 S2S 時間尺度上 AI 的預(yù)測校準。

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

2021 年美國西北太平洋地區(qū)熱浪的周平均 S2S 預(yù)測的樣本對比（從左上角開始逆時針方向）：IFS ENS（11 個回溯測試成員，通過 ECMWF API 下載）、SFNO-HENS 和 DLESyM，以及預(yù)測第三周對應(yīng)的 ERA5 數(shù)據(jù)。所有模型都預(yù)測北美地區(qū)會出現(xiàn)一定程度的異常變暖，但由于預(yù)測時間太早，難以同時捕捉這種極端高溫的確切位置和強度。

未來方向

加速采用 AI 進行 S2S 預(yù)測，需要該領(lǐng)域?qū)＜覍@類模型及其功能進行更全面的評估。提供開源庫降低了 AI 技能的入門門檻，同時也能為 AI/ML 研究社區(qū)提供關(guān)于模型未來發(fā)展的反饋信息。

ECMWF 舉辦的 AI Weather Quest競賽，旨在促進相關(guān)人士積極參與，共同推動 S2S 預(yù)測的發(fā)展。在 NVIDIA 工程師積極備賽的同時，NVIDIA 也正致力于將 Earth-2 中的工具與 ECMWF 為競賽提供的工具進行整合，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)測數(shù)據(jù)和 ECMWF 的 AI-WQ-package 來評估模型，并能在 PhysicsNeMo 中訓(xùn)練自定義模型。這些工具與 NVIDIA 研究團隊使用的工具相同，我們希望通過分享這些工具，助力其他研究人員快速迭代他們的想法。

一般來說，大型 S2S 集合預(yù)測的高效推理和評分是科研進程的重要組成部分。正確評估模型需要對大量預(yù)測進行評分以確定其能力。為了加快這一資源密集型過程，Earth2Studio 現(xiàn)在能夠高效地運行大型 S2S 集合并進行評分。例如，如果使用多個大氣和海洋模型進行一整年的 DLESyM 集合預(yù)測，在 8 個 GPU 上只需不到兩小時即可完成運行和評分。

要點

對于諸多對氣候非常敏感的行業(yè)來說，S2S 預(yù)測至關(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)評估和驗證預(yù)訓(xùn)練的大氣-海洋耦合 AI 預(yù)測模型（如 DLESyM），以生成集合預(yù)測。