解决数据孤岛/计算消耗/误差累积问题，上海人工智能实验室苏锐：FengWu-GHR实现AI气象预测多重突破
内容提要
苏锐在2024年北京智源大会上介绍了上海人工智能实验室的AI气象预报研究成果FengWu-GHR，该模型具有长时间预报能力和高计算效率。团队开发的FengWu-GHR模型解决了高分辨率气象预测和累积误差问题，在RMSE和ACC指标上表现优势，并在热浪和寒流预测方面也有优势。团队希望进一步研究气候级别的预报和气候演化。
延伸解读
AI气象预报的加速与局限
苏锐指出，AI引入后气象预报技巧提升速度从每10年提高1天变为几个月内提高，FengWu模型在0.25°分辨率下达到10.75天预报能力，计算效率超传统方法2000倍。但AI模型在台风强度预测上仍存在不足，因极端天气数据少导致结果平滑化，这提示读者AI预报并非全能，极端事件预测仍是待解难题。
高分辨率预报的挑战与创新
FengWu-GHR首次将AI气象预报分辨率提升至0.09°，但分辨率提升带来计算量和内存消耗增加80倍以上，且高分辨率数据稀缺。团队通过将高分辨率大气运动分解为低分辨率部分，用元模型预测后拼接，并引入新模块捕捉非线性关系，解决了训练难题。这展示了在数据有限条件下实现高分辨率预报的技术路径。
累积误差处理与性能优势
针对长期预测的累积误差，FengWu-GHR在每一步预测中增加LoRA模块，仅需少量参数即可为每一步引入新模型，显著降低计算成本。评估显示，在RMSE和ACC指标上优于IFS，Bias更接近0，且在18000个气象站的检验中，提前任何天数预测均占优。但Activity指标表明模型仍未解决极端天气预测的平滑效应。
从中期预报到气候研究的展望
目前FengWu-GHR聚焦中期气象预报，在热浪和寒流预测上表现出优势。苏锐表示，未来希望深入研究，探讨从中期预报扩展到气候级别预报的可能性，并进一步研究气候演化和未来发展趋势。这反映了AI气象预报的长期目标是从天气尺度迈向气候尺度，但气候预测的复杂性和数据需求可能带来新的挑战。
Q&A
FengWu-GHR模型的主要优势是什么？
FengWu-GHR模型具有长时间的提前预报能力和高计算效率，能够在10.75天内进行预报，且计算速度比传统方法快2000倍以上。
FengWu-GHR模型如何解决高分辨率气象预测的难题？
FengWu-GHR模型通过将高分辨率气象数据分解为多个低分辨率数据进行训练，并引入新的模块捕捉非线性关系，从而实现了0.09°的高分辨率预测。
FengWu-GHR在台风预测方面的表现如何？
FengWu-GHR在台风轨迹预测中表现优越，预测误差最小，但在台风强度预测上仍存在不足。
AI技术如何影响气象预报的提升速度？
引入AI后，气象预报技巧的提升速度从每10年提高1天缩短至几个月内提高。
FengWu-GHR模型在RMSE和ACC指标上表现如何？
FengWu-GHR在RMSE和ACC指标上均优于IFS模型，显示出更好的预测性能。
未来FengWu-GHR模型的研究方向是什么？
未来希望扩展FengWu-GHR模型的研究到气候级别的预报和气候演化的探讨。
