褚杏娟 InfoQ

作者 ｜ 褚杏娟

採訪嘉賓：達摩院資深演算法專家李昊

厄爾尼諾現象頻繁出現、歐洲冬天越來越冷、多地發生森林火災等等，隨著全球氣候變暖，致命熱浪、乾旱、洪水和颱風等各種極端天氣正變得越來越普遍。

非政府組織樂施會在 19 年底就發出警告稱，過去十年來，氣候緊急情況造成的災難迫使每年有超過 2000 萬人流離失所。而據麥肯錫預測，預計到 2050 年，由於極端高溫和溼度增加而帶來的勞動力損失，將使亞太地區每年損失 4.7 萬億美元的 GDP，約佔全球損失總額的三分之二。

如何更精確地提前預測氣候並採取及時有效的防範措施是人類應對極端天氣的關鍵。

為什麼說人工智慧可以

我國的天氣預測技術經過了經驗統計技術、物理分析技術和動力學分析技術三個階段，目前普遍採用的是動力分析技術。

傳統天氣預報的方法是將從衛星觀測、地面氣象觀測站、氣象雷達站、L 波段探空系統以及地形、歷史氣象統計資料等各方收集到的大量資料帶入到模型中處理，透過計算得到反映大氣各種變數的數值結果，預報員或者科研工作者根據這些變數來推測可能發生的天氣。

根據時長不同，天氣預報可以分成短期臨近預報、短期預報、中期預報、延伸期預報和氣候預測。不同時間尺度的預報，使用的預報模型和資料各有不同。

與其它行業不同，氣象預測對專業性、時效性等有較高的要求，同時影響預測結果的因素有很多，所以整體預測難度較大。同時，對海量跨越時間和地理區域的資料資訊處理，需要耗費大量的計算資源，也很考驗硬體設施。

目前主流的動力模型預測方式受計算量的限制，預測的空間和時間尺度都較大，並且對於更長期的預測比如氣候預測精度會有比較大的下降。

傳統動力模型需要技術上的進一步突破，而人工智慧恰恰很擅長處理大資料。

AI 氣象預測已在路上

近些年，業界已經開始從傳統動力系統預測逐步轉向探索 AI 演算法預測，氣候預測涉及的時間序列問題也在 AI 領域有了很多應用。

17-18 年間，阿里參與舉辦了兩次天氣預測競賽，透過這兩次競賽，業內達成了初步共識：卷積神經網路（CNN）結合迴圈神經 網路（RNN）可以更好地解決時空預測的問題，即利用 CNN 層從輸入的雷達資料中提取特徵，並與 LSTM 結合以進行序列預測。這個思想主要源於香港科技大學施行健博士在短臨預報上的研究。

氣候預測方面，2018 年，自然資源部國家海洋環境預測中心與清華大學合作研發了具有高預測能力的機器深度學習厄爾尼諾預測模型，並在 2019 年厄爾尼諾春季預測會議上實現了試驗預測。

厄爾尼諾 / 拉尼娜現象指的是熱帶太平洋海表溫度異常上升 / 下降的氣候現象，2014-2016 年間發生的超強厄爾尼諾事件已經成為全球氣候異常變化的重要因素之一。由於傳統天氣預報很難對一年後的情況做出準確預測，所以厄爾尼諾的長期預測一直是個難題。

在 2019 年，氣候預測領域迎來了一次重大突破。當年 9 月，南京資訊工程大學羅京佳教授與韓國全南國立大學的研究團隊一篇名為“Deep Learning for multi-year ENSO forecasts”的論文在《Nature》期刊發表，這篇文章藉助人工智慧更準確地預測了厄爾尼諾現象。該模型將提前 18 個月預測準確率提高到了 74%，遠遠超過了當時傳統方法 56% 的準確率。

論文提出的模型。CNN 模型包括一個輸入層、三個卷積層、兩個池化層和一個全連線層，最終輸出預測結果。

目前，國內已有企業開始嘗試用人工智慧做天氣預測，但多數企業將研究集中在了短臨預報上。

達摩院資深演算法專家李昊表示，在短臨預報和氣候預報的一些任務上，人工智慧的精度更高、計算量更小，具有一定的優勢。在短臨預報上的研究實踐表明，AI 演算法預測明顯優於傳統方法。

不過，李昊也指出，在短中期等預報上，AI 還沒有體現出明顯的優勢，而這可能是最值得探索的領域之一。

但用 AI 預測天氣的技術目前還不夠成熟，整個行業還在一步步探索。

短臨預報上，谷歌在去年提出了 MetNet 模型，該模型能夠以 2 分鐘的間隔和 1km 的解析度預測未來 8 小時內的降水機率。MetNet 優於 NOAA 當前使用的、基於物理定律的最先進模型，可以提供 7 到 8 小時的預測時間，並且可以預測美國全境內的天氣，預測耗時只需幾秒鐘（之前的模型需要 1 小時）。

谷歌神經網路氣象模型 MetNet 的架構

氣候預測方面，今年 2 月，達摩院與南京資訊工程大學等機構主辦 AI 氣候預測大賽，聚焦 ENSO（厄爾尼諾與南方濤動的合稱）預測，並將預測週期延長到了 2 年。大賽裡有 20 多支隊伍的預測都超過了 19 年《Nature》文章裡的預測結果，其中 13 支隊伍研發的 AI 演算法模型取得了長週期、精準度高的厄爾尼諾預測結果。

阿里巴巴數字供應鏈預測演算法團隊提出了“影片（歷史）->NINO3.4（歷史）->NINO3.4（未來）”的方案。該方案的基本思想是從 sst 影片資料出發，首先根據 NINO3.4 指標的定義，從 sst 直接計算獲得歷史 NINO3.4 指標，然後將影片（歷史）和 NINO3.4（歷史）作為模型的輸入，直接預測 NINO3.4（未來）。

阿里巴巴數字供應鏈預測演算法團隊建立的模型

也有新的團隊模型破除了之前只考慮區域性資訊的方式，採用整個西太平洋海溫時空結構演變的資訊，用時空預報作為時間序列預報的進一步擴充，並利用自注意力機制充分提取時空結構資訊來做預報。

ENSO 預測問題是個囊括時間、空間、混沌、動力學系統等多個領域的極具挑戰性的氣象問題，需要長時間的研究才可能取得重大進展，雖然很多模型還存在不足，但可以看出，研究者們正在努力將人工智慧最新知識與氣象領域進行融合，做出更準確的天氣預測。

只有 AI 也不行

由於整個行業還處於早期探索階段，因此還存在不少挑戰。如何建立合理有效的數學和資料模型，並保證演算法穩定性是當前研究中面臨的主要問題之一。

除了專業技術，研究人員還需要有一個“軟技能”：非常瞭解氣象專業知識。AI 演算法團隊需要對氣象知識非常瞭解後，才能進行抽象設計模型、處理海量資料等工作。但這方面的人才非常匱乏。

此外，僅僅有人工智慧技術也是不夠的。

2013 年，Earth Risk 釋出了一個 40 天的氣溫機率預報模式 TempRisk Apollo 。該公司把近一百年的歷史氣象資料和數千億次的計算用深度學習的方法建立氣候模型，再與當前氣候條件做比較，運用預測分析方法做出機率判斷。

同樣，2014 年，北京彩徹區明科技公司釋出了一款短臨預報 App——“彩雲天氣預報”，透過地面天氣實時觀測，結合衛星遙感雲圖和數值天氣預報等資料的影象識別、系統外推和深度學習，並與使用者的位置相結合，把使用者周圍小時內的降水短臨預報的準確性提升到了 90% 及以上， 落區甚至精確到使用者周圍的每一條街道。

無論是 TempRisk Apollo 模型，還是彩雲天氣預報 App，都在積極探索人工智慧或者集合物理機制的預測模式。

去年杭州雲棲大會上，達摩院釋出天、空、地多源資料精準分析平臺 AI Earth，該平臺已在氣象、生態環境、水利等領域應用，氣象預測方面可實現短臨天氣預測能力，預測 3 小時內 1 公里網格空間的降水資訊。

AI 在氣象領域已經有了一定的基礎應用，整個行業方興未艾。李昊也表示，AI 和天氣預測的融合在交通、能源、農業等有眾多應用前景，是當之無愧的社會基礎設施。對於氣象這類社會基礎設施，阿里會繼續大力投入。

相信經過研究者們的不斷探索，用 AI 準確預測天氣在未來將不再困難。