春節臨近，想必很多人都踏上了回家的征程，但是由於這兩天的突然降溫，很多朋友都遇到了極端天氣，甚至飛機和火車都延誤或取消了。 這種突如其來的極端天氣已經把天氣預報變成了乙個玩具。
但現在，這種情況可能即將改變。 目前，有許多大型語言模型已經具備了實現高精度天氣**的能力。 與傳統的天氣**技術相比，這些技術被稱為：大型AI氣象模型（大型AI天氣預報模型，LWMS）在極端天氣下效果更好**。
盤古天氣盤古天氣是華為推出的天氣**系統，利用深度學習技術提高天氣預報的準確性。
Pangea Weather 有兩個關鍵策略來提高準確性，包括將高度資訊格式化為立方體資料的自定義 3D 地球專用變壓器 （3DEST） 架構此外，研究團隊還設計了一種分層時間聚合演算法來減輕累積預測誤差。 研究表明，盤古大陸的天氣在中短期預報（即一小時到一周的預報）中顯示出巨大的優勢。 此外，該系統還支援極端天氣預報和多集合預報。
在極端天氣預報方面，盤古氣象顯示出顯著優勢。 在2018年測試的88個命名熱帶氣旋的跟蹤中，3天和5天的平均直接位置誤差分別低於ECMWF-HRES的120個29 公里和 19565 公里，優於後者的 162 公里28 公里和 27210公里。
然而，盤古氣象仍存在一些侷限性和改進空間。 由於訓練資料基於 ERA5 再分析資料，因此存在很大的偏差，尤其是在強度方面**。 其次，盤古氣象訓練過程需要大量的計算資源，訓練和定期維護的成本極高。 此外，盤古氣象在看不見的資料或不同氣候條件下的泛化能力有待驗證。
graphcastGraphcast 是由 Google DeepMind 開發的基於圖神經網路的天氣模型，能夠處理複雜的空間依賴關係並在全球範圍內提供準確的天氣預報。
Graphcast利用GNNS處理複雜的空間依賴關係，以提高空氣預報的準確性。 在第乙個過程中，Graphcast將在習進行資料預處理，將氣象資料轉換為地圖結構，每個節點代表地理位置，並使用邊表示空間關係; 之後，GraphCast會提取圖中每個節點的特徵，如溫度、濕度、風速等; 然後，利用圖神經網路建模，通過聚合相鄰節點的資訊來更新每個節點的內容，並學習複雜的空間依賴關係; 然後，時間序列**，未來週期內每個節點的氣象資料變數; 最後，對結果進行處理和評估，以提高預測的可讀性和準確性。
也有類似的問題圖播。 Graphcast的效能很大程度上依賴於高質量和全面的氣象資料，資料缺失或不準確可能會影響模型的最佳結果。 此外，儘管Graphcast能夠處理複雜的空間依賴關係，但在實時更新和對天氣變化的快速響應方面仍可能存在挑戰。
豐武風霧是由上海人工智慧實驗室、中國科學技術大學、上海交通大學、南京資訊工程大學、中科院大氣物理研究所、上海中央氣象台發布的面向全球的中期天氣預報系統。 它採用多模態和多工學習的深度學習架構，包括特定於模型的編碼器-解碼器和跨模態融合變壓器。 這些元件在不確定性損失的監督下學習，以區域自適應的方式平衡不同**裝置的優化。 Fengwu 還引入了一種重放緩衝機制，通過儲存先前優化迭代的結果並將其用作當前模型的輸入來提高長期效能。
風武最大的特點是利用多模態、多工學習能力，將全球天氣的有效預報提公升到1075天。 它已經在ERA5再分析資料上訓練了39年，能夠在37個垂直水平上準確模擬大氣動力學以及未來的陸地和大氣狀態。
效能評估表明，風鴉在大多數目標上的表現都優於 Graphcast，例如將 Z500** 的 10 天全球領先優勢的均方根誤差 （RMSE） 從 733 毫秒降低到 651 毫秒。 在 NVIDIA Tesla A600 硬體上進行推理只需 100 毫秒，與 Graphcast 相比，它在訓練和推理方面的計算成本較低。
與其他類似模型一樣，風鴉面臨著資料和成本挑戰，隨著氣候模式的變化，它需要定期更新以保持準確性，這需要持續的資源投資和專業知識。
climatenetClimateNet是乙個使用卷積神經網路從衛星影象中識別氣候特徵的模型，旨在解決天氣和氣候科學領域識別、檢測和定位極端天氣事件的挑戰。 ClimateNet通過ClimateContours工具建立資料集，該工具允許專家標記氣候事件並基於LabelMe進行優化。 其研究團隊開展了多項注釋活動，產生了數百個專家注釋的氣候資料快照，形成了ClimateNet資料集，並進行了嚴格的質量控制。
ClimateNet使用DeepLabV3+架構訓練深度學習模型，實現氣候資料的畫素級分割。 該模型在兩種不同的氣候模型情景中進行了訓練和測試，並顯示出比基於啟發式的模型更好的效能。 此外，ClimateNet的用例展示了如何將其分割結果用於條件降水分析，這有助於了解氣候變化對極端天氣事件的影響。
儘管ClimateNet取得了重大進展，但由於訓練資料有限且需要不斷更新和維護，它仍處於研究階段，尚未投入使用。
伏羲伏羲是乙個基於機器學習的天氣預報系統，能夠提供15天的全球天氣預報，時間解像度為6小時，時間解像度為0。空間解像度為25°。 該系統是根據歐洲中期天氣預報中心（ECMWF）的ERA5再分析資料集開發的，並基於相當於39年的資料進行訓練。
Fuxi採用了一種新穎的級聯機器學習模型架構，該架構由三個預訓練的Fuxi模型組成，分別針對0-5天、5-10天和10-15天的預測時間視窗進行了優化。 這些模型以級聯方式生成完整的 15 天預報。 伏羲在15 d預報中的表現與ECMWF集合的平均值相當，顯著降低了累積誤差，提高了長期預報的準確性。 為了應對天氣預報的不確定性，伏羲還提供了50名成員的集體預報。
伏羲目前預報時間最大的問題是9天後效能會下降，而伏羲最好的遊戲依賴於ECMWF的ERA5再分析資料集，完全獨立於傳統的數值天氣預報模型，這使得目前難以投入實際應用。
除了這些大型、成熟的 AI 天氣**模型外，許多模型正在接受訓練，以減少極端天氣的影響。 當然，由於成本、維護、精度等問題，在目前的天氣模型中，要實現綜合精度還是很困難的，但相信隨著技術的發展，未來會有越來越多的AI模型投入使用，讓過年回家的路“暢通無阻”。