利用NVIDIA Earth-2平台预测天气

随着极端天气事件愈发频繁，破坏性也越来越强，能够对其进行预测变得至关重要。对于那些对天气波动非常敏感的行业来说，次季节气候预测（即预测两周或更长时间之后的天气），为主动决策和风险管理奠定了基础。

借助次季节气候预测，干旱地区的农民可以更好地选择农作物并管理水资源，电力公司可以平衡能源供需，渔业可以防范海洋热浪的侵袭，政府也能为自然灾害和公共卫生威胁做好充分准备。例如，如果预测显示某个地区未来的天气状况不佳，政府就可以提前部署移动消防和缓解热浪风险的基础设施。

过去两年，科研人员更积极地利用 AI 模型来预测天气和气候，而且它目前在实际业务场景中也逐渐得到应用。NVIDIA Earth-2 平台通过提供一系列高性能、可扩展的工具，持续为科学界和企业界提供支持。无论是希望评估和验证模型能力的气象专家，还是致力于为不同用例和数据集开发、定制并扩展模型的 AI/ML 专家，都能从中受益。

本文将概述 Earth-2 平台为气象专家提供的各项功能，这些功能可助力他们用远低于传统非机器学习技术的计算成本，开发和验证用于概率次季节预测的大型集合。

使用 AI 进行次季节预测

AI 气象模型的关键优势之一是：能以比传统方法低几个数量级的计算成本，运行规模大得多的业务集合。加州大学伯克利分校的研究人员今年早些时候展示了一种有效的方法：利用 Bred Vector/Multi Checkpoint（BVMC）方法生成校准良好、包含数千个成员的集合（“巨型集合”，简称 HENS）。JBA 和 AXA 等企业正将这种 HENS 方法与 FourCastNet V2（SFNO）模型结合，用于保险领域的回溯测试。

最新版 Earth2Studio 引入了新的次季节-季节（S2S）预测功能，并在深度学习地球系统模型（DLESyM）中进行了展示。这是一种简约的深度学习模型，结合了多层大气 AI 模型与一个预测海表温度演变的独立海洋 AI 模型。

该模型的架构是一种 U-Net，其填充操作经过修改后，可支持使用分辨率约为 1 度的 HEALPix 网格。由于这种架构基于不使用位置嵌入的局部模板，因此具有广泛使用的潜力。该模型已被证明能够在数月时间尺度上渐进到预期的气候学误差率。同时，华盛顿大学的研究人员还表明，该模型在气候尺度模拟中具有显著的自回归稳定性。

使用该模型生成次季节预测非常简便。完整实现代码可在 Earth2Studio 中获取。

利用集合进行概率预测

然而，S2S 预测本质上是概率性的，而非确定性的。它并非提前数月预测某一天的确切天气情况，而是提供季节条件偏离常态的可能性。这些预测通常以三分位概率表示：即将到来的季节处于历史气候分布上三分之一（高于正常）、中三分之一（接近正常）或下三分之一（低于正常）的概率，适用于温度或降水等变量。

在这个新模型出现之前，已有企业在 S2S 预测中结合使用 HENS 方法和 FourCastNet V2（SFNO）模型。加州大学欧文分校的研究人员表明，在 Madden-Julian 振荡（MJO）的可预测性方面，该模型的能力与欧洲中期天气预报中心（ECMWF）的预报系统相当；而 MJO 是大气中 S2S 可预测性的主要来源。

如今，Earth2Studio 为有兴趣尝试 HENS-SFNO、DLESyM 或其他模型进行 S2S 预测的用户提供了一套新的 S2S 方案。为满足更大规模集合和更长预测时间尺度的需求，该方案支持多 GPU 分布式推理和并行 I/O，以便在生成预测数据时高效保存数据。如果存储空间有限，用户也可选择仅保存部分预测输出结果。与 Earth2Studio 中的 HENS 方案类似，为简化该方案的使用，运行该集合的复杂环节已预先处理妥当。如要控制其行为只需指定配置即可。

借助这个新方案，该领域的专家现在可以通过 HENS FourCastNet V2（SFNO）和 DLESyM 生成大型集合预测，从而了解和验证这些模型的功能。例如，可以研究初始扰动或模型检查点权重的变化如何影响预测的不确定性。这能够生成功能强大、经过校准的次季节预测集合，可以探索其它策略，以优化在 S2S 时间尺度上 AI 的预测校准。

作为演示案例，该方案可用于生成 2021 年美国西北太平洋地区热浪的 S2S 预测，如图 1 所示。根据《地球物理研究快报》上发表的《2021 年北美西部热浪及其次季节预测》一文，此次前所未有的热浪出现了极端高温且持续时间很长，并且在 S2S 时间尺度上难以预测。虽然没有模型能完美捕捉热浪的位置和强度，但我们可以看到，所有模型都提前三周预测到了北美地区会出现一定程度的异常变暖现象，只是 HENS-SFNO、IFS ENS 和 DLESyM 的预测精确性有所不同。

2021 年美国西北太平洋地区热浪的周平均 S2S 预测的样本对比（从左上角开始逆时针方向）：IFS ENS（11 个回溯测试成员，通过 ECMWF API 下载）、SFNO-HENS 和 DLESyM，以及预测第三周对应的 ERA5 数据。所有模型都预测北美地区会出现一定程度的异常变暖，但由于预测时间太早，难以同时捕捉这种极端高温的确切位置和强度。

未来方向

加速采用 AI 进行 S2S 预测，需要该领域专家对这类模型及其功能进行更全面的评估。提供开源库降低了 AI 技能的入门门槛，同时也能为 AI/ML 研究社区提供关于模型未来发展的反馈信息。

ECMWF 举办的 AI Weather Quest 竞赛，旨在促进相关人士积极参与，共同推动 S2S 预测的发展。在 NVIDIA 工程师积极备赛的同时，NVIDIA 也正致力于将 Earth-2 中的工具与 ECMWF 为竞赛提供的工具进行整合，以方便参赛者使用。这将帮助人们更快地迭代，能直接使用 Earth2Studio 生成的预测数据和 ECMWF 的 AI-WQ-package 来评估模型，并能在 PhysicsNeMo 中训练自定义模型。这些工具与 NVIDIA 研究团队使用的工具相同，我们希望通过分享这些工具，助力其他研究人员快速迭代他们的想法。

一般来说，大型 S2S 集合预测的高效推理和评分是科研进程的重要组成部分。正确评估模型需要对大量预测进行评分以确定其能力。为了加快这一资源密集型过程，Earth2Studio 现在能够高效地运行大型 S2S 集合并进行评分。例如，如果使用多个大气和海洋模型进行一整年的 DLESyM 集合预测，在 8 个 GPU 上只需不到两小时即可完成运行和评分。

要点

对于诸多对气候非常敏感的行业来说，S2S 预测至关重要。本文讨论了 Earth2Studio 中的关键新功能，这些功能可助力企业评估和验证预训练的大气-海洋耦合 AI 预测模型（如 DLESyM），以生成集合预测。