從古至今，預(yù)測天氣都是令人類著迷的追求之一。我們的祖先仰望星空，觀察自然，總結(jié)出“螞蟻搬家要下雨” “晚霞紅了天會(huì)晴”等樸素的預(yù)測方法。如今，隨著人工智能(artificial intelligence, AI)技術(shù)的突飛猛進(jìn)，天氣預(yù)報(bào)正經(jīng)歷著一場前所未有的革命。那么，究竟是什么樣的“黑科技”，讓天氣預(yù)報(bào)從“看天算卦”進(jìn)化到了精準(zhǔn)預(yù)測?讓我們一起揭開這個(gè)謎底。

在人類文明的漫長歷史長河中，預(yù)測天氣始終是一項(xiàng)至關(guān)重要的能力，它關(guān)乎著人類的生存與發(fā)展。從遠(yuǎn)古時(shí)代開始，我們的祖先就已經(jīng)開始通過觀察自然現(xiàn)象，例如，通過云的形態(tài)、風(fēng)向的變化、動(dòng)物的行為等來判斷天氣。這些方法雖然原始，但有時(shí)也能提供一些有用的預(yù)示，比如可以幫助農(nóng)民決定什么時(shí)候播種或收割。

進(jìn)入中世紀(jì)和近代，氣象學(xué)逐漸開始形成，但天氣預(yù)報(bào)仍然是基于觀察和經(jīng)驗(yàn)。科學(xué)家開始記錄氣象數(shù)據(jù)，雖然技術(shù)手段有限，但通過積累大量的觀測資料，天氣預(yù)報(bào)變得更加系統(tǒng)化。17世紀(jì)和18世紀(jì)，歐洲的一些科學(xué)家嘗試?yán)蔑L(fēng)向、氣壓等因素進(jìn)行天氣預(yù)測，但由于缺乏足夠的數(shù)學(xué)理論和精密設(shè)備，預(yù)報(bào)仍然很不準(zhǔn)確。

19世紀(jì)，天氣預(yù)報(bào)進(jìn)入了一個(gè)新的階段。隨著氣象儀器的發(fā)明，比如氣壓計(jì)、溫度計(jì)和濕度計(jì)，科學(xué)家能夠更準(zhǔn)確地測量大氣中的各項(xiàng)指標(biāo)。英國于1854年成立了氣象局，氣象觀測網(wǎng)絡(luò)開始建立，但預(yù)報(bào)的準(zhǔn)確性和時(shí)效性仍然有限。

20世紀(jì)中期，計(jì)算機(jī)的出現(xiàn)為天氣預(yù)報(bào)帶來了革命性的變化。科學(xué)家們開始使用計(jì)算機(jī)模擬大氣的變化，逐步建立起數(shù)值天氣預(yù)報(bào)模型(numerical weather prediction, NWP)。這些模型基于物理定律，能夠模擬大氣的運(yùn)動(dòng)和天氣變化。1950年代，氣象學(xué)家通過數(shù)值方法成功地預(yù)測了天氣模式，為現(xiàn)代天氣預(yù)報(bào)奠定了基礎(chǔ)。如今，氣象大模型這一革命性技術(shù)的出現(xiàn)，將天氣預(yù)報(bào)推向了一個(gè)新的高度。

預(yù)測天氣：破解自然界最復(fù)雜的密碼

想象一下，你正在煮一鍋熱湯。熱氣裊裊上升，水流翻滾，這個(gè)小小的鍋里就在上演著與大氣系統(tǒng)運(yùn)動(dòng)驚人相似的過程。但地球可比你的鍋大多了!從赤道到極地，從海平面到平流層，空氣像個(gè)永動(dòng)機(jī)一樣瘋狂運(yùn)動(dòng)。

天氣預(yù)報(bào)的核心任務(wù)就是通過對(duì)大氣系統(tǒng)的理解和模擬來預(yù)測天氣變化。大氣系統(tǒng)由空氣、溫度、濕度、氣壓、風(fēng)力等因素組成，這些因素不斷交互作用，形成不同的天氣現(xiàn)象。例如，低氣壓區(qū)可能引發(fā)風(fēng)暴，高氣壓區(qū)則可能帶來晴朗的天氣。天氣預(yù)報(bào)通過研究這些大氣因素的變化和相互關(guān)系，來預(yù)測不同地區(qū)的天氣狀況。簡言之，天氣變化是大氣系統(tǒng)內(nèi)部各種物理現(xiàn)象的表現(xiàn)，天氣預(yù)報(bào)的目標(biāo)就是理解這些物理過程，并加以預(yù)測。

大氣系統(tǒng)的復(fù)雜性遠(yuǎn)超人們的想象。它是一個(gè)典型的混沌系統(tǒng)，其最顯著的特征就是對(duì)初始條件具有極度的敏感性。1963年，美國氣象學(xué)家洛倫茨(E. N. Lorenz)在研究天氣預(yù)報(bào)時(shí)發(fā)現(xiàn)了著名的“蝴蝶效應(yīng)”：熱帶地區(qū)一只蝴蝶輕輕扇動(dòng)翅膀所產(chǎn)生的微小氣流變化，經(jīng)過不斷放大和傳遞，可能在數(shù)周后導(dǎo)致地球另一端出現(xiàn)颶風(fēng)[1]。這個(gè)富有詩意的比喻生動(dòng)地展現(xiàn)了大氣系統(tǒng)的非線性特征。

蝴蝶效應(yīng)示意

要理解大氣系統(tǒng)的復(fù)雜性，我們需要深入認(rèn)識(shí)其中涉及的多個(gè)物理過程。首先是熱力學(xué)過程，包括太陽輻射、地表加熱和大氣對(duì)流。太陽輻射是地球能量的主要來源，它加熱地表，促使空氣上升，形成對(duì)流;其次是動(dòng)力學(xué)過程，氣壓差異導(dǎo)致空氣運(yùn)動(dòng)，同時(shí)還要考慮地球自轉(zhuǎn)產(chǎn)生的科里奧利力和地表摩擦力的影響;然后是水汽過程，涉及水的蒸發(fā)、凝結(jié)和降水，這些過程不僅改變大氣中的水汽含量，還會(huì)釋放或吸收大量潛熱;最后是化學(xué)過程，大氣成分的變化和污染物的傳輸都會(huì)影響天氣系統(tǒng)的演變。這些過程相互影響、相互制約，構(gòu)成了一個(gè)極其復(fù)雜的非線性系統(tǒng)。

傳統(tǒng)數(shù)值天氣預(yù)報(bào)的突破與局限

20世紀(jì)中期，隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)值天氣預(yù)報(bào)應(yīng)運(yùn)而生。打個(gè)比方，假如你要制作一杯果汁，有各種水果(比如橙子、蘋果、檸檬等)，想要預(yù)測攪拌后的味道。不同水果的比例、切割方式、攪拌速度和時(shí)間都會(huì)影響最終的味道。于是，你開始做一些實(shí)驗(yàn)，在這個(gè)過程中，你可以用一些“數(shù)學(xué)公式”來預(yù)測不同水果組合的味道。比如：如果增加更多的檸檬，果汁可能會(huì)更酸;如果攪拌時(shí)間長，可能會(huì)讓果汁更細(xì)膩。這個(gè)過程類似于數(shù)值天氣預(yù)報(bào)，它通過“輸入”氣象數(shù)據(jù)(就像你選擇水果的種類和數(shù)量)，并利用數(shù)學(xué)模型“預(yù)測”結(jié)果(就像預(yù)測果汁的味道)。

數(shù)值天氣預(yù)報(bào)是一種利用數(shù)學(xué)和物理公式，通過計(jì)算機(jī)模擬大氣變化來預(yù)測天氣的方法。簡單來說，數(shù)值天氣預(yù)報(bào)就像是給大氣“做數(shù)學(xué)模擬”，通過輸入當(dāng)前的天氣數(shù)據(jù)(例如氣溫、濕度、風(fēng)速等)，然后通過復(fù)雜的計(jì)算得出對(duì)未來幾小時(shí)、幾天或幾周的天氣預(yù)測。

這些模擬過程基于大氣科學(xué)中的基本物理定律，比如熱力學(xué)和流體力學(xué)原理。計(jì)算機(jī)會(huì)通過超級(jí)復(fù)雜的數(shù)學(xué)模型，模擬大氣中不同因素的相互作用，預(yù)測未來天氣的變化。這是天氣預(yù)報(bào)史上的一次重大突破，首次將天氣預(yù)報(bào)從經(jīng)驗(yàn)性預(yù)測轉(zhuǎn)變?yōu)榛谖锢矶傻目茖W(xué)計(jì)算。

然而，傳統(tǒng)的數(shù)值天氣預(yù)報(bào)也面臨著多重挑戰(zhàn)。第一，計(jì)算資源需求巨大[3] 。美國的超級(jí)計(jì)算機(jī)頂點(diǎn)(Summit)的浮點(diǎn)運(yùn)算速度峰值達(dá)每秒20億億次，這類計(jì)算機(jī)通常用于天氣預(yù)報(bào)的長期和短期模擬。在更高分辨率的天氣預(yù)報(bào)中，計(jì)算量大到甚至需要數(shù)千個(gè)處理單元同時(shí)工作，耗費(fèi)數(shù)天甚至數(shù)周的計(jì)算時(shí)間。全球預(yù)報(bào)的計(jì)算需求與模擬人腦和早期宇宙的計(jì)算需求相當(dāng)。第二，預(yù)報(bào)質(zhì)量高度依賴于初始數(shù)據(jù)的準(zhǔn)確性，但由于觀測系統(tǒng)的限制，很多地區(qū)特別是海洋、極地等區(qū)域的觀測數(shù)據(jù)都相對(duì)匱乏。第三，計(jì)算能力限制了預(yù)測的精度。為了更精確地預(yù)測天氣，我們需要更高的分辨率，這意味著天氣模型需要看得更細(xì)致，像是每個(gè)城市、每個(gè)小區(qū)域的氣溫、濕度等變化?？墒?，如果我們把模型做得太細(xì)，計(jì)算量會(huì)急劇增長。第四，小尺度物理過程的簡化處理。有很多非常細(xì)微的小尺度現(xiàn)象，比如云的形成、降水的演變等，這些過程對(duì)天氣的變化影響很大。然而，這些小尺度的物理過程非常復(fù)雜，無法完全通過計(jì)算機(jī)模擬出來。為了處理這些過程，氣象學(xué)家使用了一些簡化的“假設(shè)”方法，叫作參數(shù)化方案，來估算它們的影響。但這些簡化的方法往往過于粗糙，不能完全準(zhǔn)確地描述實(shí)際的物理過程。第五，次網(wǎng)格尺度過程的模擬困難。大氣中還有一些非常細(xì)小、局部的天氣現(xiàn)象，像是微小的雷暴或局部的風(fēng)速變化，這些現(xiàn)象發(fā)生在模型網(wǎng)格之間，大小通常小于模型的分辨率。就像你用一個(gè)大網(wǎng)去捕小魚一樣，這些小的天氣事件會(huì)被漏掉。

這些局限性制約了傳統(tǒng)數(shù)值天氣預(yù)報(bào)的進(jìn)一步發(fā)展，也為新一代預(yù)報(bào)技術(shù)的出現(xiàn)提供了動(dòng)力。在AI技術(shù)快速發(fā)展的背景下，融合了深度學(xué)習(xí)的氣象大模型應(yīng)運(yùn)而生，開啟了氣象預(yù)報(bào)的新紀(jì)元。

深度學(xué)習(xí)：化繁為簡的智慧結(jié)晶

氣象大模型是一種革命性的預(yù)報(bào)系統(tǒng)，它巧妙地將深度學(xué)習(xí)技術(shù)與傳統(tǒng)的數(shù)值預(yù)報(bào)方法相結(jié)合。這種新型系統(tǒng)能夠從海量的歷史氣象數(shù)據(jù)中自動(dòng)學(xué)習(xí)天氣演變規(guī)律，從而實(shí)現(xiàn)更加準(zhǔn)確的天氣預(yù)測。

深度學(xué)習(xí)是一種模擬人腦工作方式的計(jì)算模型——神經(jīng)網(wǎng)絡(luò)的一種高級(jí)形式，通過增加神經(jīng)網(wǎng)絡(luò)的層數(shù)(即“深度”)來提高模型的能力。層數(shù)越多，模型能夠?qū)W習(xí)到的特征就越復(fù)雜。理論上，神經(jīng)網(wǎng)絡(luò)可以通過從大量數(shù)據(jù)中學(xué)習(xí)來捕獲任何數(shù)據(jù)集中變量之間的非線性關(guān)系[4]。神經(jīng)網(wǎng)絡(luò)的潛力在于它們一旦訓(xùn)練完成，就能以低成本提供快速的推理結(jié)果。

假如你在教一個(gè)小朋友認(rèn)識(shí)這個(gè)世界。你會(huì)給他看各種圖片，講述各種故事，教他認(rèn)識(shí)文字、理解語言。經(jīng)過大量的學(xué)習(xí)，這個(gè)小朋友逐漸掌握了識(shí)別事物、理解語言、解決問題的能力。AI中的模型，就像是一個(gè)“數(shù)字小朋友”，通過海量數(shù)據(jù)的“學(xué)習(xí)”，獲得了理解和處理信息的能力。模型的學(xué)習(xí)過程，可以類比為訓(xùn)練這位“數(shù)字小朋友”。首先，我們要給這位“數(shù)字小朋友”大量的學(xué)習(xí)材料，包括文字、圖片、視頻等各種形式的信息。然后，通過反復(fù)練習(xí)和糾正，“數(shù)字小朋友”逐漸自行掌握材料中的規(guī)律，學(xué)會(huì)正確完成各種任務(wù)。

大模型之所以叫“大”，不僅是因?yàn)樗獙W(xué)習(xí)的數(shù)據(jù)量很大，更重要的是它的“大智慧”——一個(gè)大模型通過學(xué)習(xí)，能夠完成各種復(fù)雜的任務(wù)，比如理解人類語言、創(chuàng)作文章、分析圖像等。就像一位博學(xué)多才的專家，掌握了豐富的知識(shí)和技能。它們通常擁有數(shù)十億甚至上萬億個(gè)參數(shù)(參數(shù)是模型用來“記住”數(shù)據(jù)特征的數(shù)值)。這些大模型能夠處理海量的數(shù)據(jù)，并從中學(xué)習(xí)到極其復(fù)雜的模式。比如，生成式預(yù)訓(xùn)練(generative pre-training, GPT)[5]就是一個(gè)典型的大模型，它能夠生成流暢的文本、回答問題，甚至創(chuàng)作詩歌。

揭秘氣象大模型

如果說普通的大模型是在學(xué)習(xí)人類的知識(shí)，那么氣象大模型就是在學(xué)習(xí)“老天爺?shù)囊?guī)律”。它的學(xué)習(xí)材料是過去幾十年來收集的海量天氣數(shù)據(jù)，包括溫度、氣壓、風(fēng)向、降水等各種氣象要素的觀測記錄。

通過學(xué)習(xí)這些歷史數(shù)據(jù)，氣象大模型逐漸掌握了天氣變化的規(guī)律。它就像一個(gè)經(jīng)驗(yàn)豐富的“AI氣象員”，通過分析當(dāng)前的天氣狀況，能夠預(yù)測未來幾天甚至更長時(shí)間的天氣變化。與傳統(tǒng)的天氣預(yù)報(bào)方法相比，氣象大模型的一個(gè)顯著特點(diǎn)是采用端到端的學(xué)習(xí)方式，這意味著它可以直接從原始的觀測數(shù)據(jù)中預(yù)測天氣，而不需要解決復(fù)雜的物理方程，也不需要像傳統(tǒng)方法那樣經(jīng)過許多復(fù)雜的中間處理步驟，而是通過“學(xué)習(xí)”歷史規(guī)律來做出預(yù)測，這使得預(yù)報(bào)既快速又準(zhǔn)確。

華為盤古氣象大模型架構(gòu)[6] (a)基于視覺變換器的3DEST架構(gòu)，通過調(diào)整移位窗口機(jī)制和應(yīng)用位置偏差來優(yōu)化性能；(b)層次時(shí)間聚合方法，使用貪婪算法進(jìn)行預(yù)測，并針對(duì)不同的提前時(shí)間設(shè)計(jì)不同的預(yù)測模型。其中A0表示輸入的初始天氣狀態(tài)，?24表示在時(shí)間24小時(shí)處預(yù)測的天氣狀態(tài)，?48表示在48小時(shí)處預(yù)測的天氣狀態(tài)，其余同理。這表明模型通過輸入初始的天氣數(shù)據(jù)，輸出在不同時(shí)間點(diǎn)的預(yù)測天氣狀態(tài)。C表示基礎(chǔ)通道寬度，通道寬度可以理解為數(shù)據(jù)在嵌入空間中表示特征的維度數(shù)量。在深度學(xué)習(xí)等領(lǐng)域，數(shù)據(jù)通常會(huì)被表示為多通道的形式，每個(gè)通道可以看作數(shù)據(jù)在某個(gè)特定特征方向上的表示。在本項(xiàng)工作中C被設(shè)置為192，這意味著嵌入后的數(shù)據(jù)在特征維度上有192個(gè)通道，用于捕捉和表示數(shù)據(jù)的多種特征信息。

氣象大模型還有多尺度建模能力。大模型不僅能夠準(zhǔn)確地把握大范圍的天氣系統(tǒng)，比如氣候變化和大型風(fēng)暴的演變，還能對(duì)局部天氣現(xiàn)象，如城市中的微氣候、短時(shí)暴雨等進(jìn)行精確的預(yù)測。換句話說，它能夠處理不同尺度的天氣變化，從全球到局部都能給出可靠的預(yù)報(bào)。

除了要學(xué)習(xí)數(shù)據(jù)中的規(guī)律，氣象大模型還要遵守基本的物理定律。這就像是在教育那個(gè)“數(shù)字小朋友”時(shí)，不僅要讓他記住很多例子，還要讓他明白一些永遠(yuǎn)不能違背的規(guī)則，比如能量守恒定律等。這樣的設(shè)計(jì)確保了氣象大模型的預(yù)測既符合歷史規(guī)律，又不會(huì)違背自然法則。

華為盤古氣象大模型入選2023中國十大科學(xué)進(jìn)展，該成果發(fā)表在國際頂級(jí)學(xué)術(shù)

期刊《自然》(Nature)[6]。該模型是首個(gè)精度超過傳統(tǒng)數(shù)值預(yù)報(bào)方法的AI模型，相比傳統(tǒng)數(shù)值預(yù)報(bào)提速10 000倍以上。華為云盤古氣象大模型已正式上線歐洲中期天氣預(yù)報(bào)中心和香港天文臺(tái)地球官網(wǎng)，華為云還攜手深圳市氣象局、泰國國家氣象局等打造高精度區(qū)域氣象預(yù)報(bào)大模型。如與泰國氣象局合作，將臺(tái)風(fēng)路徑預(yù)測時(shí)間從5小時(shí)縮短至10秒，顯著提升了應(yīng)對(duì)極端天氣的能力。華為盤古氣象大模型憑借其高精度、高速度、高分辨率和強(qiáng)大的極端天氣預(yù)測能力，為全球氣象預(yù)報(bào)領(lǐng)域帶來了革命性的突破，展現(xiàn)了AI在氣象科學(xué)中的巨大潛力。

數(shù)據(jù)：大模型的“糧食”與“養(yǎng)料”

氣象大模型的成功運(yùn)行離不開海量數(shù)據(jù)的支持。這些數(shù)據(jù)來源十分廣泛，構(gòu)成了一個(gè)立體的全球氣象觀測網(wǎng)絡(luò)。在地面上，分布著數(shù)以萬計(jì)的自動(dòng)氣象站，它們?nèi)旌虮O(jiān)測著溫度、濕度、氣壓等基本氣象要素;同時(shí)，氣象雷達(dá)網(wǎng)絡(luò)不斷掃描著天空，探測降水和云系的演變，而風(fēng)廓線儀則專門用于觀測不同高度處的風(fēng)速和風(fēng)向。

在空中，氣象衛(wèi)星從太空俯瞰地球，持續(xù)不斷地拍攝云圖，監(jiān)測大氣運(yùn)動(dòng);探空氣球每天定時(shí)升空，收集大氣垂直剖面的詳細(xì)信息;民航客機(jī)在飛行過程中也會(huì)自動(dòng)記錄航路上的氣象數(shù)據(jù)。在海洋上，眾多的浮標(biāo)、科考船舶和海洋站構(gòu)成了海洋氣象觀測網(wǎng)，為我們提供海-氣相互作用的重要信息。

除了實(shí)時(shí)收集的天氣觀測數(shù)據(jù)，全球各大氣象中心還會(huì)制作一份叫作“再分析資料”的數(shù)據(jù)。這些資料將過去的歷史觀測數(shù)據(jù)和最新的氣象模型結(jié)果結(jié)合起來，形成長期連續(xù)、物理規(guī)律一致的大氣狀態(tài)描述。再分析資料幫助氣象學(xué)家更好地理解氣候變化和天氣趨勢(shì)，它們就像是天氣的“歷史檔案”，可以為我們提供更全面、準(zhǔn)確的大氣狀態(tài)背景。此外，各種數(shù)值天氣預(yù)報(bào)的輸出結(jié)果也是重要的數(shù)據(jù)來源。換句話說，氣象模型運(yùn)行后的預(yù)測結(jié)果是氣象學(xué)家分析天氣的重要依據(jù)。這些紛繁復(fù)雜的數(shù)據(jù)每天產(chǎn)生的總量高達(dá)數(shù)百太字節(jié)，需要強(qiáng)大的數(shù)據(jù)處理系統(tǒng)來支持

革新與突破：

大模型帶來的氣象預(yù)報(bào)新時(shí)代

氣象大模型的應(yīng)用給氣象預(yù)報(bào)帶來了顯著的提升。在預(yù)報(bào)準(zhǔn)確度方面，7天預(yù)報(bào)的準(zhǔn)確率比傳統(tǒng)方法提高了10%~15%。在極端天氣預(yù)警方面，預(yù)警時(shí)間提前了12~24小時(shí)，這些寶貴的時(shí)間對(duì)防災(zāi)減災(zāi)至關(guān)重要。短時(shí)臨近預(yù)報(bào)的精細(xì)化水平也得到顯著提高，特別是降水預(yù)報(bào)的空間分辨率已經(jīng)可以達(dá)到千米級(jí)，能夠?yàn)槌鞘蟹罎?、交通運(yùn)輸?shù)忍峁└珳?zhǔn)的服務(wù)。

在計(jì)算效率方面，得益于深度學(xué)習(xí)方法的應(yīng)用，大模型顯著減少了計(jì)算資源的需求，縮短了預(yù)報(bào)時(shí)間，同時(shí)還能提供更加豐富多樣的預(yù)報(bào)產(chǎn)品。這些進(jìn)步使得氣象服務(wù)能夠更好地滿足不同行業(yè)的具體需求。例如，盤古氣象大模型在單個(gè)圖形處理器(graphic process unit, GPU)上的推理成本為1.4秒，比傳統(tǒng)方法快10000倍以上，能夠迅速完成全球氣象預(yù)報(bào)。

未來與挑戰(zhàn)：

繼續(xù)書寫氣象科技新篇章

氣象大模型的發(fā)展還面臨著諸多挑戰(zhàn)和機(jī)遇。在模型架構(gòu)方面，需要進(jìn)一步發(fā)展架構(gòu)，提高模型的可解釋性，增強(qiáng)物理約束;在算法方面，需要持續(xù)改進(jìn)深度學(xué)習(xí)方法，發(fā)展新型數(shù)據(jù)同化技術(shù)，優(yōu)化參數(shù)化方案;在觀測系統(tǒng)方面，需要提高觀測密度，發(fā)展新型遙感技術(shù)，完善觀測網(wǎng)絡(luò)。

同時(shí)，我們還面臨著多重挑戰(zhàn)。科學(xué)上的挑戰(zhàn)包括如何更準(zhǔn)確地描述復(fù)雜的物理過程，如何提高模型的可解釋性，如何更好地量化預(yù)報(bào)的不確定性。技術(shù)上的挑戰(zhàn)則包括進(jìn)一步提升計(jì)算效率，持續(xù)改進(jìn)數(shù)據(jù)質(zhì)量，增強(qiáng)模型的泛化能力。在應(yīng)用方面，需要更好地實(shí)現(xiàn)產(chǎn)品的本地化適應(yīng)，提供更精細(xì)化的服務(wù)，確保預(yù)報(bào)信息能夠有效傳遞給最終用戶。

展望未來，氣象大模型將繼續(xù)在氣象科技發(fā)展史上書寫新的篇章。它不僅提高了預(yù)報(bào)準(zhǔn)確率，也正在改變傳統(tǒng)的預(yù)報(bào)方式。在氣候變化日益嚴(yán)峻的今天，提升預(yù)報(bào)能力顯得格外重要。通過不斷創(chuàng)新和突破，人類終將在預(yù)測天氣這個(gè)古老謎題上取得更大進(jìn)展。然而，我們也不能忘記，保護(hù)地球環(huán)境、減緩氣候變化的步伐，是每一個(gè)地球公民義不容辭的責(zé)任。

參考文獻(xiàn)

[1]Lorenz E N. Deterministic nonperiodic flow. Journal of Atmospheric Sciences, 1963, 20(2): 130-141.

[2]NOAA. AtmosphericModelSchematic. (2007-11-11) [2025-2-10]. https://celebrating200years.noaa.gov/breakthroughs/climate_model/AtmosphericModelSchematic.png.

[3]Brotzge J A, Berchoff D, Carlis D N L, et al. Challenges and opportunities in numerical weather prediction. Bulletin of the American Meteorological Society, 2023, 104(3): E698-E705.

[4]Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators. Neural Networks, 1989, 2(5): 359-366.

[5]Brown T, Mann B, Ryder N, et al. Language models are few-shot learners. Advances in Neural Information Processing Systems, 2020, 33: 1877-1901.

[6]Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature, 2023, 619(7970): 533-538.

來源：科學(xué)雜志1915

編輯：瀟瀟雨歇

轉(zhuǎn)載內(nèi)容僅代表作者觀點(diǎn)

不代表中科院物理所立場

如需轉(zhuǎn)載請(qǐng)聯(lián)系原公眾號(hào)