转载于 ClimAI 智慧气象

深度学习的迅速崛起正吸引着越来越多的私人企业对传统上由公共机构主导的数值天气和气候预测产生兴趣。公私合作将是一种开创性的步骤，用以连接物理和数据驱动的方法，并且对于有效应对未来社会挑战至关重要。

每天的生活和安全依赖于准确的天气预测，尤其在气候变化背景下，对极端天气事件的预测变得更加重要。这些预测主要由国家气象机构进行，基于物理定律和大量数据。随着对更精确预测的需求增长，计算和能源成本也随之增加。私营公司通过深度学习和先进技术进入这一领域，带来了新的动力和挑战。因此，公私合作在利用深度学习和物理模型的优势、保持预测可信度方面变得至关重要。

一：深度学习的崛起

深度学习是一种使用神经网络从大量训练数据中学习任务的人工智能技术。在天气和气候预测领域，由于计算和数据处理能力的大幅提升，已经积累了大量的模型模拟和观测数据。

将观测数据融合到基于物理的预测模型中，可以提供对气候系统多年变化的精确快照。这些高质量的数据集使得深度学习在天气和气候预测领域具有巨大的应用潜力。

当前，深度学习模型正在使用这些数据集进行训练，以实现高效的天气预测。相比传统的物理模型，这些深度学习模型承诺提供更快的解决方案和更大的能源节约。虽然有可能完全绕过基于物理的模型来进行天气预测，但基于物理的模型仍然重要，因为它们能够填补观测数据的不足，提供天气的细致三维演变。

在气候预测方面，深度学习的进展相对较慢，主要是由于训练数据的限制。但深度学习在改善基于物理的预测模型和快速模拟气候轨迹方面仍有潜力。尽管如此，公共天气和气候预测中心目前并未全面采用深度学习，而是将其应用于生产流程中的特定子问题，以提高参考数据集的质量。

二：基础模型

基础模型如GPT系列和DALL·E2正引领变革，它们通过训练大量未标记数据来预测缺失部分，从而捕获数据分布。这些模型的学习方法与天气预测的数据驱动模型训练相似，预计在特定领域将迅速发展。

基础模型在识别数据模式后可针对特定任务微调，如使用人类反馈的强化学习来训练复杂任务。这些模型在天气和气候预测中的应用可能超越物理模型仿真，并在多个行业中扩展信息传递。同时，它们对全球公共天气和气候数据的利用强调了维持科学可信度和控制训练质量的重要性。

三：展望

私营部门在天气和气候预测中大量使用公共数据，强化了对深度学习方法的投资。这一投资动力源自私营部门强大的计算和数据分析能力。因此，需要重新思考天气和气候预测的经济模式，特别是考虑到基础模型为用户提供的新解释和沟通能力。

公共实体应积极采用这些新技术，结合大型科技公司的技能和基础设施。同时，私人实体应投资于开发符合标准、透明过程生成的深度学习和基础模型参考数据集，以创新方式共同推进此领域的发展。

图1 公私合作的天气和气候信息系统

文章来源：

https://www.nature.com/articles/s43017-023-00468-z