共计 1617 个字符，预计需要花费 5 分钟才能阅读完成。
一种由人工智能驱动的天气模型令气象学家震惊，因为它平均预测飓风 Milton 的登陆地点在实际地点的 7 英里范围内——比传统模型高出近 100 英里。
人工智能 / 综合预报系统（AIFS）预测 Milton 的登陆地点在实际地点的 7 英里范围内，比它在佛罗里达州 Siesta Key 附近登陆早了五天。其他领先模型的最大误差高达登陆地点的 100 英里，而 AIFS 的最大误差不超过 13 英里。
“虽然很难从一个案例中得出结论，但似乎 AIFS 在登陆前一两天对 Milton 的轨迹预测提供了更好的预测。从 10 月 2 日开始，AIFS 一直预测 Milton 将在佛罗里达州登陆，”AIFS 团队的发言人表示。
在 X 平台上撰文，密切监测风暴的气象学家 Bryan Bennett 描述了该模型的“难以置信的准确性”。他强调了模型早期和精确的预测：“它提前五天预测了在 Siesta Key 附近的登陆。该模型知道它不会在 Pinellas 县或佛罗里达州的任何其他地方登陆。”
Bennett 指出，先进的天气模型在本季其他风暴中一直提供精确的预报，包括 9 月份的飓风 Helene。“这是未来，”他写道。“建模者可能会注意到这一点，并尝试在未来几年加入 AI 天气建模。”
AIFS 背后的技术
AIFS 代表人工智能 / 综合预报系统，这是对 ECMWF 著名的综合预报系统（IFS）的致敬。
2017 年，IFS 模型准确预测了飓风 Irma 的路径，提前约一周，2019 年欧洲的热浪，以及 2019 年和 2020 年澳大利亚丛林火灾的条件。
与传统数值天气预报模型主要依赖基于物理的方程不同，AIFS 使用机器学习技术。
该模型经过数十年的天气数据训练，使其能够识别大气条件中的复杂模式和关系。这使得它能够比传统模型更快地生成预报，并且计算量显著减少。
AIFS 团队的发言人表示，他们目前正在使用历史再分析数据训练模型，但“极端情况（如热带气旋强度）的幅度受再分析数据所能捕捉的限制。”
“尽管我们训练了几十年的历史数据，挑战 / 问题是极端（因此罕见）事件的样本是否足够大，以做出良好的预测，”他们补充道。
AIFS 受到 GraphCast 的启发，这是由 Google DeepMind 开发的开放源代码机器学习架构，使用图神经网络（GNNs）。神经网络是处理数据的程序，而图神经网络处理可以表示为图的数据，如地理网格上的天气模式。
AtmoAnalytics 的天气预测专家 Andrew Brady 在 X 平台上解释了 AIFS 的工作原理：“这些模型不是由 AI 设计的天气模型。它们使用某种类似的底层架构，但没有任何人类逻辑。‘机器学习’可能是理解这些模型的一个更容易的方式，而不是‘AI’这个术语。”
2024 年 10 月 9 日，飓风 Milton 期间，海浪冲击古巴哈瓦那的 Malecón 海滨大道。欧洲研究机构的新型 AI 天气模型准确预测了 Milton 的登陆地点在 13 英里范围内。2024 年 10 月 9 日，飓风 Milton 期间，海浪冲击古巴哈瓦那的 Malecón 海滨大道。欧洲研究机构的新型 AI 天气模型准确预测了 Milton 的登陆地点在 13 英里范围内。YAMIL LAGE/AFP/Getty Images
为什么气象学家如此兴奋
AIFS 的成功标志着准确预测飓风等大规模天气事件的重大进展。气象学家特别兴奋的是该模型能够在较长时间内提供一致和可靠的预报。
德克萨斯州休斯顿的气象学家 Matt Lanza 强调了该模型的连续性，指出即使是最好的传统模型也没有在其预测中表现出如此的可靠性。
Lanza 在 X 平台上提到 AI 天气模型如何预测 9 月袭击墨西哥湾沿岸的飓风 Francine 的路径时说：“疯狂。我的意思是，疯狂的连续性与 Francine。”
“这是 AI 建模的重大胜利。连续性令人难以置信。即使是我认为表现最好的传统模型也没有这么一致。”
气象机构与科技公司之间的这种研究可能会加速开发更复杂的预报工具。ECMWF 的代码是开源的。
对这一 AI 天气预测系统感兴趣的爱好者可以通过 ECMWF 的开放数据计划进行访问。
