跳到主要内容
返回时间线
Tomorrow.io来源发表:

Tomorrow.io 让 AI 天气预报每小时换一次起跑线,Aurora 1.5 近地面温度多出约一天预报时效

核心概要

AI 天气模型几分钟就能算出全球预报,但起点仍多依赖每六小时更新一次的常规资料同化。Tomorrow.io 的 Sky 1 用机器学习资料同化,把 15 颗微波探测仪的新观测每小时并入初始场。以 ERA5 为参照,28 个测试个例中初始水汽误差比不并入这些观测时低约 5–8%;用 Sky 1 初始化的 Aurora 1.5 在 112 次预报中,五天以内各预报时效的台站近地面温度误差都更低,增益温和且头两天最强。

Source-provided article image: Tomorrow.io gives Google DeepMind’s WeatherNext 2 and Microsoft’s Aurora 1.5 a better start
Tomorrow.io

深度剖析

AI 天气模型的初始场可以每小时更新一次,而不必等常规资料同化每六小时给出一次起点。 常规资料同化系统通常每六小时更新一次当前大气状态的估计,AI 模型要等这个起点才能起报。 Sky 1 对同一初始状态做两次构建,一次并入 Tomorrow 星座观测、一次扣留,同一模型不变地从两者起报,因此观测是唯一差别。

把星座观测并入初始场,先让初始水汽场更准,再让下游 AI 预报更准。 不并入这些观测时,初始场只来自常规输入,海洋等观测稀疏区缺少补充。 28 个以 ERA5 为参照的个例中水汽误差低 5.0%(基于新鲜 GFS 预报)和 8.0%(基于八小时前的预报),三到八小时平均低 6.7%;112 次 Aurora 1.5 预报对照约 17,700 个台站,五天以内全部 20 个时效的近地面温度平均误差都更低。

Sky 1 用机器学习资料同化把 15 颗微波探测仪的温度和湿度观测每小时并入初始场,这些仪器能穿云探测。 微波探测仪补上了海洋和其他监测稀疏地区的观测,这些地方此前缺少新鲜的大气信息。 WeatherNext 2 以同一批初始状态对不变运行,28 次预报覆盖 13 个气压层的五个场和 20 个时效,呈现出与 Aurora 1.5 相似的模式。

启示与展望

已展示的范围是 28 个初始场个例、112 次 Aurora 1.5 台站预报和 28 次 WeatherNext 2 预报,参照分别为 ERA5 和约 17,700 个气象站;飓风路径、大气河登陆和强对流爆发的影响被列为正在评估的方向。

预报增益被明确描述为温和,且头两天最强;约一天的近地面温度预报时效提升被说明为 Sky 1 自身的结果而非星座观测的结果,其中一部分来自 Sky 1 给出的初始场更接近 Aurora 1.5 训练时的分布。