Learning skillful medium-range global weather forecasting

要解决的问题

未来一周左右的天气预报，长期依赖数值天气预报（numerical weather prediction）：把大气划分成网格，用描述大气运动与热力过程的方程组一步步向前积分，在高性能计算机上算出未来的状态。这样一套系统需要长年的工程积累，每跑一次预报也要消耗可观的算力。GraphCast 提出的问题是另一条路：不直接解方程，而是让模型从历史天气记录中学会大气如何演变，并做到足以和实际业务中使用的系统相比。

模型做了什么

GraphCast 是一个用图神经网络（graph neural network）构建的全球天气模型。它不把大气当作一个用方程积分的规则网格，而是把大气状态表示成由节点构成的图，从数据中学习这个状态如何随时间发展。按论文摘要的说法，模型能在全球范围内以 0.25 度分辨率、在不到一分钟的时间里预报未来 10 天的数百个气象变量^[1]。

模型是在 ECMWF 的 ERA5 数据集的四十年天气再分析资料上训练的^[2]。再分析（reanalysis）是把一套固定的预报模式与资料同化系统在过去观测上运行一遍所得到的记录；由于全过程使用同一套系统，它给出的是一份前后一致、有网格的历史大气资料，适合用来训练模型。

结果

论文写道，GraphCast「在 1380 个检验目标中的 90% 上显著优于最准确的业务确定性系统」^[1]。这些检验目标是用来给预报打分的各个变量、区域和预报时效，因此这个结论覆盖的是相当宽泛的情形，而不是某一个孤立的数字。

配合论文发布的博文把比较说得更具体：GraphCast 对不超过 10 天的天气形势的预报，比 ECMWF 的 HRES 系统更准确，而且快得多^[2]。在速度方面，博文说用 GraphCast 做 10 天预报，在一台 Google TPU v4 机器上耗时不到一分钟^[2]，这和业务数值天气预报所需的算力形成对照。

博文还给出了一个具体例子：模型提前约九天预报出飓风 Lee（Hurricane Lee）将在新斯科舍省（Nova Scotia）登陆^[2]。

作者与发表

论文最早于 2022 年 12 月 24 日提交到 arXiv，编号为 arXiv:2212.12794，共有 18 位作者，第一位是 Remi Lam^[1]。DeepMind 在 2023 年 11 月 14 日的博文中宣布论文已在《科学》（Science）杂志发表，并给出其 DOI 为 10.1126/science.adi2336^[2]。博文列出的共同作者包括 Alvaro Sanchez-Gonzalez、Oriol Vinyals、Shakir Mohamed 和 Peter Battaglia^[2]。

为什么重要

这里的关键比较对象是业务中的确定性系统，也就是为每个变量给出单一最优估计的传统物理预报，而不是对多种可能结果采样的集合预报。能在多数检验目标上追平并超过这类系统，同时在一分钟之内完成一次全球 10 天预报，说明一个在再分析资料上训练出来的学习型模型，可以在中期天气预报上成为纯物理流程之外的一条现实路径。它同时改变了预报的成本结构：原本需要一次大型高性能计算任务的预报，可以在一台加速器上生成。

这条路径的边界也很清楚。这类模型是从训练所用的历史记录里学出来的，因此它的表现取决于那份再分析资料的质量与一致性；在记录中代表性不足的天气情形下，训练过程并不保证它的行为。论文报告的比较针对的是确定性系统，并不构成关于集合预报的结论。论文真正确立的东西更窄也更具体：一个学习型模型能够做出全球中期预报，并且比业务确定性基线更快，在作者检验的多数指标上也更准确。