联系方式 Contact

天气在线(北京)气象科技有限公司

地址:北京市海淀区海淀西大街36号9层

电话:010-58995339

手机:18611808504

传真:010-58995339

网址:www.weatheron.cn

搜索 Search
你的位置:首页 > 新闻动态 > 热点新闻

复旦大学发布15天天气预报大模型—伏羲,首次将AI天气预报精度提升到ECMWF集合平均预报水平

 2023-06-25 19:40:26  点击:

转载于 辽月 气象大模型 2023-06-25 13:17 发表于上海

01 复旦推出伏羲气象大模型

复旦大学人工智能创新与产业研究院联合大气与海洋科学系发布伏羲气象大模型。该模型利用AI算法实现未来15天的全球天气预报,预报精度在评测集上首次达到欧洲中期天气预报中心集合预报(ECMWFAtmospheric Model Ensemble 15-day forecast )的集合平均,显著领先于欧洲中心确定性预报ECMWFAtmospheric Model High resolution 10-day forecast)。


02 伏羲大模型架构介绍

伏羲大模型提出了更加高效的U-Transformer结构,并通过Cascade的方式级联模型,提升预报精度和时长。最终,伏羲大模型拥有45亿参数,并首次将基于AI的天气预报时长提升到15。具体模型结果如下所示:

1 伏羲气象大模型结构图

03 精度检验对比

为了验证模型的预报精度,伏羲气象大模型的预报结果与业界公认的ECMWF预报和Deep MindGraphCast模型进行了对比分析:

10天预报结果分析

2 伏羲气象大模型与未来10HRES预报、GraphCast模型结果对比

上图中红线代表伏羲气象大模型相关指标,绿线为GraphCast模型,蓝线为ECWMFHRES。可以看出针对未来10天的预报,伏羲大模型的预报精度明显优于GraphCast模型和ECWMF HRES预报结果。

15天预报结果分析

由于伏羲气象大模型的预报精度和时长都有了明显提升,将其15天的预报结果与精度更高的ECMWF 集合预报的集合平均(EM)结果进行对比。同样采用精度(ACC)和误差(RMSE)作为评价方法,结果如下图所示:

3 伏羲气象大模型与未来15ECMWF EM预报结果对比

对比的气象变量中,伏羲大模型0-9天的预报预报结果优于ECMWF 集合平均(EM)结果,15天的预报结果分别有67.92% 53.75%的变量优于集合平均(EM)结果伏羲大模型的预报结果与ECMWF EM预报 comparable

04 研发历程

2020年起,团队成员一直致力于AI+天气预报相关研究:

图4 团队研发历程

其中,2020-2022年的两项工作是研发伏羲气象大模型的基础:

1SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation

设计了基于SwinRNN的中期天气预报模型,并利用Variational Auto-Encoder产生针对输入数据的扰动,从而实现集合预报。上述工作明显提升了集合预报精度,2m温度和6小时累计降水两个变量,在全时间段超过IFS。该论文证明了SwinRNN结构的有效性,22年5月公开在了arxiv上,232月发表在了期刊JAMES上。

2SwinRDMSwinRDM: Integrate SwinRNN with Diffusion Model towards High-Resolution and High-Quality Weather Forecasting

进一步改进了SwinRNN结构,提出了SwinRDM结构,通过扩散模型(diffusion model)提升预报分辨率到0.25度。在评估的气象变量中,SwinRDM 90.0%的气象变量超过IFS的确定性预报。SwinRDM预测结果具有丰富的小尺度结构,对极端值的预测更准确,比如降水和风速大幅度提升了TS指标。值得一提的是该模型计算量比较小,只需要单机即可完成训练。该论文在2327日见刊于计算机顶会AAAI


05 其他说明

1、我们的检验结果显示在评测集上伏羲大模型达到了ECMWF 集合预报水平,但仍需要更详尽的评测,特别是真实业务系统中的评测。后续,希望与业务及科研团队加强合作,接入同化数据,提供实时的天气预报结果,对模型进行更全面的评测。

2、为了与ECMWF做更加公平的检验对比,按照ECMWF检验预报的方式,每个预报分别使用其相应的预报初始时刻的分析场来检验预报。伏羲大模型使用ERA5数据,而ECMWFHRESEM则分别使用HRES-fc0ENS-fc0从而尽量排除输入数据的影响,充分对比两者的预报能力。

06 相关论文链接

FuXi:

https://arxiv.org/pdf/2306.12873.pdf

SwinVRNN:

https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2022MS003211

SwinRDM:

https://arxiv.org/pdf/2306.03110.pdf

07 写在最后

近年来,人工智能技术在天气预报领域的广泛应用,让我们更加坚定了研究方向。发挥AI技术在气象行业中的优势,深入模型创新研究,尝试解决预报难点、提升预报技巧,是团队成员的共同愿景!如您对相关方向感兴趣,或对我们发表的文章有任何问题,欢迎随时与我们联系!我们的联系邮箱是:lihao_lh@fudan.edu.cn