报告
Tomorrow.io 研究显示,更优的初始数据可提升 AI 天气预报效果

要点更好的初始大气数据在不改变模型本身的情况下改进了Aurora预报。
查看更多
- 更好的初始大气数据在不改变模型本身的情况下改进了Aurora预报。
- 这一天的提升是将Sky 1初始化与原始GFS进行比较,而非单独分离出卫星观测。
- 天气AI的进展取决于观测、同化、预测和评估的完整流程。
Tomorrow.io提出,在预报模型开始运行之前,就可以着手改进 AI 天气预报。该公司最新研究称,更准确地估计当前大气状态,能够提升 Microsoft 的 Aurora 1.5 和 Google DeepMind 的 WeatherNext 2 的预测效果,而无需更改这些预报模型。
该公司在11月17日的公告中介绍了 Sky 1:这是一种机器学习数据同化系统,每小时利用其由15颗微波探测器组成的卫星星座所获取的观测数据更新初始条件。这些仪器能够补充温度和水汽信息,包括云层下方以及观测稀少地区的信息。
研究结果表明,除了模型架构,观测系统以及用于准备模型输入的软件也值得关注。这项研究还涉及两种不同的比较:卫星观测数据的作用,以及使用 Sky 1 初始化 Aurora 所带来的更广泛益处。
为什么大气初始状态很重要
天气模型需要一个初始状态,也就是对温度、湿度和风等状况的三维估计。观测数据来自不同地点、海拔和时间。数据同化将测量结果与已有的大气估计相结合,从而形成一致的初始状态。
ECMWF 对 ERA5 的说明介绍了模型与观测数据如何结合。ERA5 将过去的天气重建为一致的全球数据集,因此可用于评估预报。它仍然是对大气状况的重建,也有自身的模型和观测数据输入。
快速推理解决的是模型计算后续情况的速度问题。更好的初始化解决的是模型对当前状况了解得有多准确的问题。即使模型功能强大,也可能在后续预测中延续不准确的初始估计。
卫星对比测试的发现
Tomorrow.io 报告称,在28个案例中,加入其观测数据后,初始状态中的水汽误差降低了约5–8%;这一结果是以 ERA5 为参照测得的。在预报评估中,纳入观测数据后,112次 Aurora 1.5 预报在所有受评估的时效(最长至五天)上的近地面平均温度误差均有所降低。该公司称,改善幅度不大,且在前两天最为明显。
该公司的已发表方法采用成对的初始状态:一组由 Sky 1 使用卫星星座的观测数据生成,另一组则不纳入这些观测数据。两组初始状态分别输入同一个预报模型运行,以便评估新增数据的作用。
这项地面站对比测试使用了约17,700个气象站。研究人员还使用成对的初始状态对 WeatherNext 2 进行了测试。
“多出一天”的结果究竟意味着什么
约一天的预报时效增益来自一项单独的比较:一组 Aurora 使用 Sky 1 初始化,另一组则直接使用 Global Forecast System (GFS) 数据初始化。Tomorrow.io 报告称,以 ERA5 为参照评分时,直接使用原始 GFS 数据的运行结果,比使用 Sky 1 初始化的五天预报早约24.9小时达到同等误差水平。以气象站观测为参照时,相应的增益约为10小时。
该公司明确指出,这一结果归因于 Sky 1 整体,而非仅归因于卫星星座。公司表示,部分改善来自为 Aurora 提供了一种与其训练期间接触的初始状态类型相似的初始状态。
这一区别对于解读研究结果至关重要。“相当于提前一天”的结果衡量的是在特定温度误差阈值和参照条件下的表现。它并不能证明所有预报变量、地区或极端事件都能提前整整一天预测。
新观测技术背后的技术原理
Tomorrow.io 的微波探测器文档介绍了可提供大气温度和水汽廓线的被动式辐射计。该公司列出的频段超过12个,覆盖91–204 GHz,并采用横向扫描,扫描幅宽约为2,200公里。
这些仪器为大气分析提供测量数据,但不会直接输出完整的天气预报。观测数据的价值取决于其校准、覆盖范围、时间安排,以及数据同化系统如何纳入这些数据。这使太空硬件与 AI 预报模型使用的输入流程联系起来。
Aurora 和 WeatherNext 如何发挥作用
Microsoft 将 Aurora 1.5 描述为其地球系统基础模型的扩展版本,并增加了小时级时间分辨率、更多预测变量以及概率集合预报功能。集合预报涵盖多种可能的未来结果,有助于用户评估不确定性。
WeatherNext 2采用功能生成网络架构进行全球集合预测。Google 的文档列出了0.25度网格、64个集合成员以及15天的预报时限。Tomorrow.io 报告的评估涵盖五天的预报时限。
此后,Google推出了WeatherNext 3,该模型整合实时卫星观测数据,并生成逐小时预报。本文讨论的 Tomorrow.io 结果针对的是 WeatherNext 2;这些结果并未证明 Google 更新一代的模型有所改进。
天气 AI 的更广阔发展方向
这些是公司报告的回顾性评估。它们为检验初始化和观测数据的质量提供了有益依据;发布说明则称,数据可应要求提供。报告介绍了对飓风路径、大气河登陆情况及强对流天气过程的评估工作,但并未证明这些事件也能获得同等幅度的气温预报提前量提升。
更广泛的启示是,天气 AI 的进步贯穿整个预报流程:观测、同化、预测和评估。Tomorrow.io 的测试表明,审视输入数据能够发现仅比较预报架构时可能被忽略的提升。对用户而言,真正有意义的是:在影响其运营的变量、地点和决策时段内,预报能够得到可靠改善。












