真·“未雨綢繆”，清華大學「鬼天氣」預報大模型來了！

是能破解世界未解難題的那種——

公里尺度下0～3小時極端降水都能預報。

包括短時強降水、暴風雨、暴雪、冰雹等在內的極端降水天氣，都能做到提前預警。

圖片

完成這項研究可實屬不易。

清華大學軟件學院與國家氣象中心、國家氣象信息中心合作，聯合攻關三年才提出這個名為NowcastNet的極端降水臨近預報大模型，并用了近六年的雷達觀測資料完成了模型的訓練。

在全國62位氣象預報專家的過程檢驗中，該方法大幅領先國際上的同類方法，研究成果現已登Nature。

圖片

目前，NowcastNet已經在國家氣象中心短臨預報業務平臺（SWAN 3.0）部署上線，將為全國極端降水天氣短臨預報業務提供支撐。

那么極端降水的臨近預報為什么這么難？清華團隊又是如何解決這一難題的？

為什么被列為科學難題？

近年來，受全球氣候變化影響，極端降水天氣頻發，實現更準確、更精細和更長預警提前量的降水臨近預報成為人們的關注點。

由于極端降水天氣過程大多只持續幾十分鐘且空間尺度在幾公里范圍，受到對流、氣旋、地形等復雜過程和大氣系統混沌效應的影響較為嚴重。

而基于物理方程模擬的數值預報技術很難對公里尺度的極端降水做出有效預報。

因此，在今年5月27日世界氣象組織峰會上，三小時內降水臨近預報就被列為了未解決的重要科學難題之一。

△基于雷達觀測的降水臨近預報是世界性難題之一

此前也有預測極端降水天氣的方法。

數值計算和深度學習就是降水臨近預報的兩類主流方法，但均存在明顯的缺陷：

數值計算方法難以有效建模降水過程的時空多尺度特征，同時受到預報累積誤差的制約，預報時效往往在一小時以內。

深度學習方法雖然擅長建模非線性系統，但統計模型存在固有的小樣本過平滑問題，預報求解過程缺少物理守恒規律約束，生成的數值場模糊失真嚴重，難以提供有業務價值的極端降水預報。

臨近預報大模型NowcastNet

針對上述挑戰，2017年起，清華大學軟件學院王建民教授、龍明盛副教授團隊就與國家氣象中心、國家氣象信息中心建立研究團隊，就人工智能技術在氣象大數據的應用開展合作。

經過三年聯合攻關，提出了臨近預報大模型NowcastNet，并在美國和中國近六年雷達觀測資料上完成了訓練。

該模型的核心是端到端建模降水物理過程的神經演變算子，實現了深度學習與物理規律的無縫融合。

△物理建模與深度學習融合的臨近預報大模型NowcastNet

具體而言，研究團隊首先設計了中尺度演變網絡，用以建模平流運動等物理性質更顯著的中尺度降水過程，并基于物質連續性方程（即質量守恒定律）設計了神經演變算子，端到端模擬降水過程中的十公里尺度運動，并通過反向傳播最小化預報累積誤差。

其次，研究團隊提出了對流尺度生成網絡，以中尺度演變網絡預測結果為條件，通過概率生成模型進一步捕捉對流生消等混沌效應更顯著的公里尺度降水過程。

得益于上述融合設計，該模型兼具深度學習與物理建模的優勢，在國際上首次將降水臨近預報的時效延長至3小時（上文提到，此前數值計算方法通常在1小時內），并彌補了極端降水預報的短板。

為了充分檢驗臨近預報大模型NowcastNet對典型天氣過程的業務指導價值，國家氣象中心邀請了62位來自23個省市氣象臺的一線預報專家，針對中美兩國2400個極端降水過程進行了后驗檢驗和先驗檢驗，并與目前業務中使用的方法進行了對比。

其中，pySTEPS是一種基于平流的方法，是目前世界各地氣象中心所廣泛采用的預報系統。PredRNN是一種數據驅動的神經網絡，已在中國氣象局部署。而DGMR是由谷歌DeepMind與英國氣象局聯合提出的模型。

所有模型都在美國和中國降水事件的大型雷達數據集上進行訓練和測試。

圖片

△氣象專家檢驗結果和數值指標評測結果，CSI用于衡量預報的位置準確性；PSD用于衡量預報的頻譜特征與雷達觀測的降水變化性之間的比較。

正如上圖所示，NowcastNet在臨界成功指數（CSI）、能量譜密度（PSD）等數值指標上全面超越現有技術，在71%的天氣過程中被認為具有最高的預報價值。

在極端降水過程中，NowcastNet是唯一展現較強業務價值的臨近預報技術。

以中美兩國的典型極端天氣過程為例：

2021年5月14日23時40分，中國江淮地區出現強降水過程，湖北、安徽等多個地區發布了暴雨紅色預警，NowcastNet可以準確預測出三個強降水超級單體的變化過程。

圖片

△a. 預測的地理信息、b. 不同模型在T+1小時、T+2小時和T+3小時上的預測結果、c. CSI是一種用于評估預測準確性的指標

2021年12月11日9時30分，美國中部地區突發龍卷風災害，造成89人死亡、676人受傷，NowcastNet可以對強降水的強度、落區和運動形態等給出更清晰、更準確的預報結果。

圖片

檢驗表明，NowcastNet對于極端災害天氣的精準防控具有良好的指導意義。

目前，該研究成果以“高技巧極端降水臨近預報大模型”（Skilful Nowcasting of Extreme Precipitation with NowcastNet）為題發表在《自然》（Nature）上，同時被《自然·新聞和觀點》以“The Outlook for AI Weather Prediction”為題做了報道。

研究人員認為：

該研究探索了數據驅動與物理驅動的“科學學習”新范式，提出了物理守恒約束下時空物質場建模和預測的一般方法，對其他具有多尺度物理特性的問題也具有應用前景。

他們還表示：

未來將進一步推進該方案在物理問題求解、大氣海洋模擬、工業設計仿真等場景下的應用。

團隊信息

清華大學軟件學院王建民教授、龍明盛副教授，以及機器學習泰斗、加州大學伯克利分校教授、清華大學榮譽教授Michael I. Jordan為論文的通訊作者。

清華大學軟件學院博士生張育宸和龍明盛副教授為論文的第一作者，碩士生陳凱源、邢藍翔參加了研究工作。

國家氣象中心金榮花研究員提供了氣象知識和數據支持并主持了全國范圍內氣象專家檢驗工作，羅兵、張小玲、薛峰、盛杰、韓豐、張小雯等專家為研究工作提供了指導、建議和幫助。

研究得到國家自然科學基金創新研究群體項目、優秀青年科學基金項目和大數據系統軟件國家工程研究中心的支持。

論文鏈接：https://www.nature.com/articles/s41586-023-06184-4