跳到正文
Google Research·· 2026-01-13精選AI 評分63

NeuralGCM 利用 AI 改善全球長期降水模擬

NeuralGCM harnesses AI to better simulate long-range global precipitation

AI 導讀

Google Research 在 Science Advances 發表 NeuralGCM 降水研究,報告模型在 280 km 解析度下改善最長 15 天的降水預報及多年氣候模擬。

推薦理由

研究展示以 NASA 衞星降水觀測直接訓練 NeuralGCM 機器學習部分的做法,並呈現極端降水與日變化模擬的改善。

正文 · 繁體中文

降水仍是全球尺度天氣和氣候模型最棘手的課題之一,因為降雨的確切地點、時間和雨量,取決於一連串發生在模型解析度以下尺度的事件。模擬降水在處理極端事件和長時間跨度時尤其困難。無論是農民要知道哪天播種才能提高收成,還是城市規劃人員要知道如何應對 100 年一遇的暴雨,降水預報都與人類生活息息相關。

去年,我們推出開源混合大氣模型 NeuralGCM,結合機器學習(ML)和物理學,以快速、高效而準確的方式模擬全球大氣。在 2024 年的論文中,NeuralGCM 生成了更準確的 2–15 日天氣預報,並以比傳統大氣模型更高的精確度重現過去四十年的氣温,為開發更容易使用的氣候模型踏出重要一步。

我們在近期發表於 《用於降水模擬的神經網絡全球環流模型》、刊載於 Science Advances 的論文中,説明如何以衞星降水觀測資料訓練 NeuralGCM,改善降水模擬。值得留意的是,在目前 280 km 的解析度下,無論是與一個領先的業務中期天氣預報模型(最多 15 日),還是與用於多年代氣候模擬的大氣模型相比,我們都看到改善。NeuralGCM 對平均降水、極端降水(尤其是降雨量最高的 0.1%)以及每日天氣週期的重現亦更準確。

NeuralGCM 是推進天氣和氣候科學整體工作的一部分,隸屬於 Earth AI。作為結合物理學與 AI、用來處理較長期問題的混合模型,它可與 Google 同事近期推出的純 AI 天氣模型更新版 WeatherNext 2 互相補足。

雲的多樣性和轉瞬即逝的特性帶來挑戰

要模擬降水,就必須從源頭雲層着手。雲的尺度可以小於 100 米,約等於一個運動場的大小,遠低於全球天氣模型以公里計的解析度,也遠低於全球氣候模型以數十公里計的解析度。雲有不同類型,變化迅速;更小尺度的複雜物理過程可形成水滴或冰晶。大型模型無法解析或計算所有這些複雜情況。

為了計算雲形成等小尺度大氣過程對氣候的影響,模型會使用稱為參數化的近似方法,根據其他變數估算相關影響。NeuralGCM 不依賴這些參數化,而是使用神經網絡直接從現有天氣資料學習這些小尺度事件的影響。

在這個版本中,我們直接以衞星降水觀測資料訓練 NeuralGCM 的 ML 部分,改善模型對降水的呈現方式。與大部分 ML 天氣模型一樣,最初版本的 NeuralGCM以過去大氣狀況的重建資料訓練,即再分析資料;這類資料結合物理模型與觀測,以填補觀測資料的缺口。但雲的物理過程十分複雜,即使再分析資料也難以準確掌握降水。若以再分析輸出作訓練,便會重現其不足,例如無法準確呈現極端降水和每日週期。

因此,我們直接以涵蓋 2001 至 2018 年的NASA 衞星降水觀測資料訓練 NeuralGCM 的降水部分。NeuralGCM 的微分動力核心基礎設施讓我們能以衞星觀測資料訓練模型。以往結合物理學和 AI 的混合模型,只能使用高保真度模擬或再分析資料。直接以高質素衞星觀測資料訓練 NeuralGCM 的 AI 元件,而非依賴再分析資料,實際上讓我們找到更好的、透過機器學習得出的降水參數化方式。

預測未來 15 日的降水

我們使用 WeatherBench 2 評估 NeuralGCM 的兩週預報表現,並與歐洲中期天氣預報中心(ECMWF)一個領先的物理模型比較。在測試中,我們採用 2020 年每日中午和午夜開始的預報(訓練時未使用這些資料)。在低解析度下,NeuralGCM 在大部分降水平均指標上都顯著優於 ECMWF 模型,包括全部 15 個預報日的 24 小時和 6 小時累積降水量。在陸地上,這項優勢仍然顯著,而陸地對人類和生態系統尤其重要。

知道降水將在何時、何地出現,有助社區管理水浸和旱災、善用灌溉資源、規劃活動及保障公眾安全。NeuralGCM 目前 280 公里的解析度仍過於粗略,未能用於業務預報;不過,這些結果顯示有潛力將此技術應用到更小尺度,改善業務預報所用的工具。

跨越多年乃至數十年的降水模式

以年計至數十年的較長時間尺度而言,瞭解平均降水模式有助防洪、規劃農作物,以及管理食水供應。考慮到 NeuralGCM 的解析度為 280 公里,我們目前着眼於更大的地理和時間尺度。將 NeuralGCM 多年模擬結果與用於氣候研究的領先全球大氣模型比較時,其平均偏差少於每日半毫米。相較於最新政府間氣候變化專門委員會報告所採用的領先工具,平均誤差減少 40%;在陸地上,改善幅度更大。

NeuralGCM 在極端降水方面亦有重大改善,極端降水是指某地降雨量最高的 0.1%。極端事件最難重現,因為過往案例較少;物理模型用來估算降水的參數化方法,往往會高估微量降雨、低估強降雨,這種現象稱為毛毛雨問題。在 2002 至 2014 年的模擬中,NeuralGCM 更準確地掌握降水事件的強度,尤其是強降水。準確掌握這些破壞力最大的極端降水事件,對氣候科學以至公眾安全等應用都十分重要。

最後,我們亦研究了長期氣候模擬中單日的降水變化。例如,亞馬遜雨林的每日週期十分明顯,夏季午後通常會有大雨。現今氣候模型預測的降雨時間往往比現實早數小時,而 NeuralGCM 更準確地重現每日降水高峯的時間和雨量,尤其是在陸地和夏季。研究着重陸地降水,因為當地日週期較強,也是傳統模型較難掌握的地方;夏季則是氣候科學常用的評估時段,因為日週期特別明顯。大規模準確掌握一天之中何時降水,對生態系統、天氣系統和水文學都很重要。

展望未來

我們相信這是推進大規模降水預報和模擬的一步,現實中亦已獲得初步支持。芝加哥大學與印度農業及農民福利部合作,使用 NeuralGCM 進行試點計劃,以 AI 預報預測季候風季節開始的時間。團隊經嚴格測試後選用了 NeuralGCM 和另一個模型,並建立預報工具,於剛過去的夏季首次投入使用。

自推出 NeuralGCM 以來,我們已將所有內容以開源程式碼形式發布,希望大家能以此為基礎繼續開發。這個降水模型亦正向更廣泛的社羣開放。最終,我們希望這些工作能讓我們更接近準確預測未來長期降水變化,尤其是氣候變化下的情況。

如欲瞭解更多 Google 的地理空間平台和 AI 工作,請參閲 Google Earth、Earth Engine、AlphaEarth Foundations 和 Earth AI。

鳴謝

我們謹此感謝 NeuralGCM 團隊(Dmitrii Kochkov、Ian Langmore 和 Stephan Hoyer)。亦感謝 Hannah Hickey 和 Elise Kleeman 協助撰寫這篇網誌文章,並感謝 Lizzie Dorfman、Michael Brenner 和 John Platt 提供支援和領導。

來源:Google Research · research.google