盘古气象大模型

这是什么

盘古气象大模型（Pangu-Weather）是一个用机器学习做全球中期天气预报的模型。它的论文题为《Accurate medium-range global weather forecasting with 3D neural networks》，2023年7月5日发表在《自然》（Nature）第619卷，第533至538页。^[1] 论文的第一作者是 Kaifeng Bi，共同作者包括 Lingxi Xie、Heng Zhang 和 Xin Chen。^[1]

中期天气预报指的是提前若干天给出全球大气状态的预报，这也是各气象机构每天发布的主要产品所处的时段。传统上，这件事主要由数值天气预报完成，而盘古气象大模型给出的是一条不同的技术路线。

怎么做的

天气数据并不是一张平面图像。地球上每个地点的大气都同时包含温度、风、气压等多个变量，而这些变量又分布在不同高度上。盘古气象大模型把三维深度网络（three-dimensional deep network）用于这类数据，并为其配备了针对地球的专属先验（Earth-specific priors），也就是把地球和大气的几何结构作为网络本身的内建假设，而不是沿用普通图像处理里那套先验。^[1]

中期预报需要把模式一步步向前推进很多次，每一步的小误差都会在后续步骤中累积、放大。模型采用分层时间聚合（hierarchical temporal aggregation）策略来减小中期预报中的误差累积：不是只把短的单一时间步串起来，而是把不同时间跨度上的预测组合起来使用。^[1] 模型在39年的全球数据上完成训练。^[1]

结果

作者在再分析数据（reanalysis data）上评估模型。再分析资料是把数值模式与历史观测结合起来、重新计算得到的一套全球完整的资料，常被用作训练和检验的标准。比较的对象是欧洲中期天气预报中心（ECMWF）的业务积分预报系统（integrated forecasting system）。在再分析数据上，盘古气象大模型在所有测试变量上都给出了比该系统更强的确定性预报（deterministic forecast）。^[1]

确定性预报给出的是对未来的单一最佳估计；与之相对的集合预报（ensemble forecast）则从略有差异的初始条件出发做出一组预报，用成员之间的离散程度来表示不确定性。论文报告，模型也能处理极端天气事件和集合预报这两类任务。^[1]

热带气旋是比较棘手的一类预报对象，因为路径预测上的一点小误差会迅速放大。以再分析数据作为初始场时，盘古气象大模型对热带气旋的追踪比 ECMWF-HRES 更准确。^[1]

在发展中的位置

作者把这项工作放在两条既有路线之间来讨论。一条是数值天气预报：他们把数值方法称为当前最准确的方法，但它的计算代价很高。^[1] 另一条是更早的 AI 气象方法：这些方法快得多，准确度却明显不如数值模式。^[1]

盘古气象大模型针对的正是后一条路线上的短板——准确度。它在测试变量上的预报强于一个业务化的全球预报系统，论文还覆盖了极端天气事件与集合预报，而这两类任务恰恰与实际的预警和决策关系最紧密。^[1]