借助 NVIDIA Earth-2 預測兩周之后的天氣

隨著極端天氣事件愈發頻繁，破壞性也越來越強，能夠對其進行預測變得至關重要。對于那些對天氣波動非常敏感的行業來說，次季節氣候預測（即預測兩周或更長時間之后的天氣），為主動決策和風險管理奠定了基礎。

借助次季節氣候預測，干旱地區的農民可以更好地選擇農作物并管理水資源，電力公司可以平衡能源供需，漁業可以防范海洋熱浪的侵襲，政府也能為自然災害和公共衛生威脅做好充分準備。例如，如果預測顯示某個地區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險的基礎設施。

過去兩年，科研人員更積極地利用 AI 模型來預測天氣和氣候，而且它目前在實際業務場景中也逐漸得到應用。NVIDIA Earth-2 平臺通過提供一系列高性能、可擴展的工具，持續為科學界和企業界提供支持。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據集開發、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非機器學習技術的計算成本，開發和驗證用于概率次季節預測的大型集合。

使用 AI 進行次季節預測

AI 氣象模型的關鍵優勢之一是：能以比傳統方法低幾個數量級的計算成本，運行規模大得多的業務集合。加州大學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、包含數千個成員的集合（“巨型集合”，簡稱 HENS）。JBA 和 AXA 等企業正將這種 HENS 方法與 FourCastNet V2（SFNO）模型結合，用于保險領域的回溯測試。

最新版 Earth2Studio 引入了新的次季節-季節（S2S）預測功能，并在深度學習地球系統模型（DLESyM）中進行了展示。這是一種簡約的深度學習模型，結合了多層大氣 AI 模型與一個預測海表溫度演變的獨立海洋 AI 模型。

該模型的架構是一種 U-Net，其填充操作經過修改后，可支持使用分辨率約為 1 度的 HEALPix 網格。由于這種架構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月時間尺度上漸進到預期的氣候學誤差率。同時，華盛頓大學的研究人員還表明，該模型在氣候尺度模擬中具有顯著的自回歸穩定性。

使用該模型生成次季節預測非常簡便。完整實現代碼可在 Earth2Studio 中獲取。

利用集合進行概率預測

然而，S2S 預測本質上是概率性的，而非確定性的。它并非提前數月預測某一天的確切天氣情況，而是提供季節條件偏離常態的可能性。這些預測通常以三分位概率表示：即將到來的季節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。

在這個新模型出現之前，已有企業在 S2S 預測中結合使用 HENS 方法和 FourCastNet V2（SFNO）模型。加州大學歐文分校的研究人員表明，在 Madden-Julian 振蕩（MJO）的可預測性方面，該模型的能力與歐洲中期天氣預報中心（ECMWF）的預報系統相當；而 MJO 是大氣中 S2S 可預測性的主要來源。

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

借助這個新方案，該領域的專家現在可以通過 HENS FourCastNet V2（SFNO）和 DLESyM 生成大型集合預測，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重的變化如何影響預測的不確定性。這能夠生成功能強大、經過校準的次季節預測集合，可以探索其它策略，以優化在 S2S 時間尺度上 AI 的預測校準。

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熱浪的 S2S 預測，如圖 1 所示。根據《地球物理研究快報》上發表的《2021 年北美西部熱浪及其次季節預測》一文，此次前所未有的熱浪出現了極端高溫且持續時間很長，并且在 S2S 時間尺度上難以預測。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測到了北美地區會出現一定程度的異常變暖現象，只是 HENS-SFNO、IFS ENS 和 DLESyM 的預測精確性有所不同。

圖 1. 2021 年美國西北太平洋地區熱浪的周平均 S2S 預測的樣本對比以及預測第三周對應的 ERA5 數據。

未來方向

加速采用 AI 進行 S2S 預測，需要該領域專家對這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 研究社區提供關于模型未來發展的反饋信息。

ECMWF 舉辦的 AI Weather Quest 競賽，旨在促進相關人士積極參與，共同推動 S2S 預測的發展。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 生成的預測數據和 ECMWF 的 AI-WQ-package 來評估模型，并能在 PhysicsNeMo 中訓練自定義模型。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來說，S2S 預測至關重要。本文討論了 Earth2Studio 中的關鍵新功能，這些功能可助力企業評估和驗證預訓練的大氣-海洋耦合 AI 預測模型（如 DLESyM），以生成集合預測。

以下是入門資源：

• 利用 DLESyM 進行確定性季節預測

• 利用 HENS-FourCastNet V2（SFNO）進行集合預測

• 利用 DLESyM 或 HENS 進行 S2S 集合預測

• 訓練自定義 DLWP 模型