机器学习模型取代数值天气预报流程：开启天气预报新篇章

研究人员开展用机器学习模型替代数值天气预报（NWP）流程的研究，成果出色，意义重大。

　　天气预报对交通、农业、工业等人类活动以及公众安全至关重要。机器学习正通过用神经网络取代数值求解器，变革数值天气预报（NWP），提升预报流程中预测组件的速度和精度^1,2,3,4,5,6。然而，当前模型在初始化和生成本地预报时依赖数值系统，限制了其可实现的增益。研究表明，单一机器学习模型可取代整个 NWP 流程。土豚天气（Aardvark Weather）是一个端到端的数据驱动天气预报系统，它摄取观测数据，生成全球网格预报和本地站点预报。全球预报在多个变量和预报时效上优于业务 NWP 基线。本地站点预报在长达 10 天的预报时效内表现出色，可与经过后处理的全球 NWP 基线以及由人类预报员提供输入的最先进的端到端预报系统相媲美。端到端的调整进一步提高了本地预报的准确性。研究结果表明，在部署时不依赖 NWP 进行准确预报是可行的，这将充分实现数据驱动模型在速度和精度方面的优势。研究人员相信，土豚天气将成为新一代端到端模型的起点，这些模型将把计算成本降低几个数量级，并能够为各类终端用户快速、低成本地创建定制模型。