一般环流模型(General circulation model,GCM)表示了大气、海洋和陆地的物理过程,是天气和气候预测的基础。减少长期预报的不确定性以及估算极端天气事件是理解气候缓解和适应的关键。
机器学习模型(Machine-learning model)一直被认为是天气预测的一种替代手段,且具有节省算力成本的优势,但它们在长期预报的表现常常不如一般环流模型。2024年7月22日,谷歌公司的研究人员在国际顶尖学术期刊发表了题为:Neural general circulation models for weather and climate 的研究论文。该研究开发了一个名为NeuralGCM的机器学习模型,该模型能进行准确的天气预测和气候模拟,其能力超越了部分现有天气和气候预测模型,且有望比传统模型节省大量算力。在这项最新研究中,研究团队设计了NeuralGCM模型,这个模型结合了机器学习和物理方法,能进行中短期的天气预报以及几十年的气候模拟。NeuralGCM模型对1-15天预报的准确率能媲美欧洲中期天气预报中心(ECMWF,最好的传统物理天气模型之一)的预测结果。对于最多提前10天的预报,NeuralGCM的准确率与现有机器学习技术不相上下,有时甚至更好。此外,NeuralGCM的气候模拟准确率与最好的机器学习和物理方法相当。当研究团队在NeuralGCM的40年气候预测中加入海平面温度后,他们发现该模型给出的结果与从欧洲中期天气预报中心(ECMWF)数据中发现的全球变暖趋势一致。此外,NeuralGCM在预测龙卷风及其轨迹方面超过了已有的气候模型。最后,研究团队总结道,这些结果共同表明,机器学习是提升一般环流模型(GCM)的一个可行手段。https://www.nature.com/articles/s41586-024-07744-y
为促进前沿研究的传播和交流,我们组建了多个专业交流群,长按下方二维码,即可添加小编微信进群,由于申请人数较多,添加微信时请备注:学校/专业/姓名,如果是PI/教授,还请注明。