基于远程联系信息的高效亚季节气象预测
内容提要
该文综述了AI在气象预测中的进展，包括TeleViT预测全球大火、Pangu-Weather提升预报精度并超越传统方法，以及ML模型准确性与物理一致性受关注。变换器、算子学习等用于基础模型及降尺度、火灾识别等任务，研究还涉及干旱概率、次季气候预测、作物病害检测和降水预报，Stormer等模型以较少算力实现高精度。
延伸解读
AI气象预测的准确性优势与物理一致性
文章指出，机器学习模型如Pangu-Weather在预报准确性上已超越传统数值方法，但其优势部分源于模型独特性。同时，ML模型在物理一致性上可能与传统模型存在差异，实际应用中需关注其与数值预报输出的协同作用。这提示读者，AI预测虽准，但并非完全替代，而是有价值的补充来源。
基础模型与下游任务的成熟度
综述认为，基于变换器和算子学习的AI方法已发展到可设计气象基础模型的阶段。这些模型不仅能用于即时预报和天气气候预测，还能处理降尺度、火灾识别、干旱概率预测等下游任务。这表明AI在气象领域的应用正从单一预测向多功能平台演进，但不同任务的性能差异仍需具体评估。
模型选择需考虑预测时间跨度
在干旱预测研究中，卷积LSTM和Transformer模型在不同时间跨度上表现各异，ROC AUC分数从0.90到0.70不等。文章建议根据预测时间跨度选择合适的模型。这提醒读者，没有一种模型能通吃所有场景，实际应用时应结合具体需求和时间尺度进行选型。
高效模型与竞赛推动技术进步
Stormer模型以较少训练数据和计算量达到与现有方法相当的准确性，展示了良好扩展性。同时，Weather4cast等竞赛催生了降水预测的创新技术，如Temporal Frame Interpolation和multi-level dice loss。这些进展表明，AI气象预测正朝着高效、精准的方向发展，但技术落地仍需验证。
Q&A
TeleViT是什么？它主要用于什么任务？
TeleViT是一种基于遥感桥连远程影响视觉编码器的方法，用于预测全球大火的模式，在长达四个月的预测窗口中能准确预测全球烧毁区域模式。
Pangu-Weather相比传统数值天气预报有什么优势？
Pangu-Weather基于深度学习和大量数据，提高了预报精度，成功将AI方法的预报准确度超越传统数值天气预报方法，且计算成本极低。
机器学习模型在天气预测中的准确性和物理一致性如何？
研究发现，相比基于物理模型的预测，ML模型在准确性指标上的优势主要由于其独特性；ML模型在特定预测应用中与传统数值天气预报输出具有协同作用，且计算成本极低，可作为有价值的额外预测信息来源。
AI在气象预测中有哪些下游任务应用？
AI在气象预测中的下游任务包括下降尺度（超分辨率）、火灾有利条件的识别，以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。
如何利用机器学习进行次季气候预测？
通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型如Lasso也能取得良好表现。
Stormer模型在天气预报中有什么特点？
Stormer是一种基于转换器模型的简单天气预报方法，能以较少的训练数据和计算量实现与现有方法相媲美的准确性，在7天以上的天气预报中表现出色，并展示了有利的扩展性。
