谷歌（Google）、微软（Microsoft）、华为（Huawei）和其他大型科技公司正在投资用于天气预报的人工智能模型。但是它们像传统方法一样可靠吗？

越来越多的科技公司正在利用先进的人工智能/机器学习模型的变革力量，在气候领域留下自己的印记。近日，华为发布了其最新的人工智能模型盘古气象。与传统数值天气预报方法相比，该模式具有较高的预报精度。



该模型利用深度学习技术和43年的历史数据，预测速度比传统方法快1万倍。盘古气象在台湾东部岛屿附近海域成功预报了台风“玛娃”的路径，精确度达到其改变前5天。

谷歌研究院开发了一种深度学习模型MetNet-2，用于利用人工智能解决天气和气候相关问题。该模式对降水的预测精度很高，预报的空间分辨率可达1公里，时间分辨率可达2分钟，持续时间可达12小时。

微软和DeepMind也分别用ClimaX和Graphcast建立了他们的人工智能模型。



与此同时，英伟达正在研究Earth 2号模型，努力与气候研究人员和政策制定者合作。通过使用Modulus和FourCastNet （模仿全球天气模式动态的机器学习模型，以前所未有的速度和准确性预测极端天气），NVIDIA在天气轨迹生成方面取得了重大改进。他们能够以之前单个轨迹所需时间的一小部分，为1,000个模型成员生成为期21天的天气轨迹。

IBM在这个领域也已经有一段时间了。2016年，IBM收购了Weather Channel的子公司The Weather Company。该模型利用IBM的Watson框架，利用人工智能将全球100多个天气预报模型的信息结合起来。

由前美国国家航空航天局（NASA）科学家创办的初创公司Zeus AI利用了来自政府卫星的大量数据，包括有关大气风、水蒸气、温度变化和云覆盖的信息，这些信息会影响天气，影响全球天气模式。其他一些解决天气预报问题的公司包括Tomorrow.io、Atmo.io、Jua.ai和Zeus.ai。

限制

应用机器学习模型进行天气预报有其局限性。训练数据的局限性是其中一个问题。罕见和极端的天气条件给训练和测试带来了挑战。此外，数据的可用性是另一个问题。在使用卫星数据的NWP模型中，缺失值会进行插值处理。然而，通过将这种插值数据用于人工智能模型，可能会出现概念漂移和内置偏差的现象。

根据一篇关于天气和气候建模的机器学习的论文，作者认为神经网络可能需要对某些变量之间的关系进行明确的指导。中短期数据集不足以使模型能够理解长期变化，如厄尔尼诺现象或任何形式的气候变化。

新时代人工智能预测

天气预报员主要依靠数值天气预报（NWP）模型。这些模型使用来自气象站、气象气球和卫星的数据来了解大气的当前状态。通过解决与空气运动相关的方程，这些模型可以准确地预测大多数天气模式。然而，通过这种方法，较小的天气事件，如局部雷暴，或预测在雷暴期间城镇的哪一侧将经历大雨，都是具有挑战性的。该方法还需要昂贵的计算能力，而这正是人工智能模型的优势所在。

使用机器学习模型的预测方法可以分析之前的大量天气图，以了解典型的天气模式，而不是像传统NWP模型那样通过解决复杂的物理方程来获得模型。通过对历史数据的训练，人工智能模型将利用当前的天气信息对未来进行预测。然而，这种方法也缺乏预报局部天气条件的能力。

与传统的预测方法相比，机器学习系统所需的计算能力显着降低。NVIDIA的Earth-2模型可将能耗降低到约千分之一。

印度气象部（IMD）已开始在即时预报和短程天气预报（从3小时到7天）中尝试使用人工智能。

人工智能模型可以通过查看传统方法可能忽略的数据中的细微的细节，为特定用户需求提供准确和量身定制的预测，然而，鉴于目前存在的挑战，AI模型很可能无法取代传统方法。

 

来源：https://analyticsindiamag.com/how-big-tech-are-tackling-climate-change/