盘古气象大模型.docxVIP

案例所在行业

天气预报是科学计算中最重要的应用场景之一。它提供了预测未来天气变化的能力，特别是极端天气事件（如洪水、干旱、飓风等）的发生，这对人们日常生活、农业、能源生产、交通运输等领域具有巨大价值。

过去十年中，数值天气预报（NWP，NumericalWeatherPrediction）在每日天气预报、极端灾害预警、气候变化预测等领域取得了巨大的成功。但是随着算力增长的趋缓和物理模型的逐渐复杂化，传统数值预报的瓶颈日益突出。基于深度学习的AI预报方法精度仍然显著低于数值预报方法，并受到可解释性欠缺、极端天气预测不准等问题的制约。

第一，现有的AI气象预报模型都是基于2D神经网络，无法很好地处理不均匀的3D气象数据。

第二，AI方法缺少数学物理机理约束，因此在迭代过程中会不断积累迭代误差。

二，案例主体

在此背景下，盘古气象（Pangu-Weather）大模型很好解决了上述问题。

盘古气象大模型是一个强大的基于人工智能的天气预报系统，它根据再分析数据对所有测试的天气变量产生更强的确定性预报结果。

在测试阶段，盘古气象大模型中期天气预报所需的迭代次数大大减少，累积预报误差得到缓解。数据实验验证了盘古天气在确定性预报和极端天气预报方面表现出色，同时比运行中的IFS（欧洲业务综合预报系统）快10,000倍以上。

三、事件内容

数据收集

传统的气象数据来源于气象数据源，如气象站、卫星图像、雷达数据等。这些数据包含了气象数据点、地理位置、时间戳等信息。与传统预报系在观测数据上工作不同，盘古天气是在再分析数据上训练和测试的，数据来源于ERA5数据集，包括1979年到2017年39年的气象数据，包含高空和地表的69个因子（13个压力水平和5个高空变量和4个表面变量），ERA5数据的时间分辨率为1h;在训练子集（1979-2017）中，有多达341,880个时间点，

建模

深度学习网络架构。该架构被称为3DEarth-specifictransformer(3DEST)

研究者将13层的高空变量（upper-airvariables）和地表变量（surfacevariables）的气象变量输入到一个深度网络中。然后进行patch嵌入以降低空间分辨率，并将降采样的数据组合成一个3D立方体。3D数据通过一个编码器-解码器架构进行传播，然后输出被分割成高空变量和地表变量，并通过patch恢复进行上采样以恢复原始分辨率。

中期天气预报的前导时间为7天或更长，因而需要迭代地调用基本深度网络（前导时间为1小时、3小时、6小时或24小时），然后将每个预测结果作为下一步的输入。

深度网络架构示意图

误差校正

由于预测中长期预报把短期结果作为数据输入会积累误差，大模型分层时间聚合，这是一种贪婪算法，它需要具有最大可承受的提前期的深度网络，这种算法的引用这大大减少了迭代次数，有效控制了累计误差。

技术突破

1，气象预测成本更低、速度更快

该研究设计了一种Earth-specific位置偏置，以取代Swin的原始相对位置偏置。向深度网络中注入Earth-specific先验知识。这种修改使偏置参数的数量增加了527倍，每个3D深度网络包含大约6400万个参数。与基线相比，3DEST具有相同的计算成本，并且收敛速度更快。

累计误差更小

四、发展程度

1.盘古气象大模型的实践

根据欧洲中期天气预报中心官网免费查看盘古对未来10天全球天气的预测。中国北方地区六月12日周三温度将上升到30度以上，华北平原地区的河北中部、山东西北部、河南中北部地区温度将达40-42摄氏度，与盘古气象大模型比较准确的提前预报了高温极端天气。

2，

全球目前主要使用的AI气象预测模型包括谷歌DeepMind的GraphCast、华为云的Pangu-Weather、清华大学和中国气象局的NowcastNet、阿里巴巴的SwinVRNN*、复旦大学开发的伏羲、上海人工智能实验室的风乌、英伟达Nvidia的FourCastNet、微软和华盛顿大学的DLWP，以及欧洲中期天气预报中心（ECMWF）的CNN模型。除此之外，还有一些新兴的AI气象模型如前NASA科学家创立的初创公司开发的ZeusAI，专注于短期预测，以及谷歌研究和谷歌DeepMind开发的最新模型MetNet-3，它提供高分辨率的短期天气预测。这些模型利用最新的人工智能和机器学习技术，显著提升了气象预测的准确性和细节层面的分析能力。随着技术进步，未来的气象预测将更加精准和高效。

六，对应知识点

天气预报中数据挖掘技术是预报天气中至关重要的的一环，数据挖掘技术可以帮助我们从大量天气数据中发现隐藏的知识和规律，从而提高天气