与流体动力学和神经网络相结合，天气预测和气候模拟AI模型的准确性

科技日报记者 张梦然

《自然》23日报道了一种人工智能（AI）模型。这个模型的名字叫做“NeuralGCM"，结合流体动力学和神经网络，可以进行精确的天气预测和气候模拟。这个模型的名字叫做“NeuralGCM“，结合流体动力学和神经网络，可以进行精确的天气预测和气候模拟。与传统模型相比，模型超越了一些现有模型，有望节省大量计算能力。

“NeuralGCM”模型结构。它结合了传统的流体动力学求解器和用于小尺度物理的神经网络。

图片来源：谷歌/自然

普通环流模型（GCMs）能够代表大气、海洋和陆地的物理过程，是天气和气候预测的基础。气候预测的关键是减少长期预报的不确定性，估计极端天气事件。机器学习模型一直被认为是天气预测的替代方法。它们在节约计算能力和成本方面有优势，但在长期预报方面往往不如一般的环流模型。

有鉴于此，美国谷歌研究所团队设计了“NeuralGCM"，该模型结合了机器学习和物理方法，可以进行中短期天气预报和几十年的气候模拟。该模型1-15天预报的准确率可与欧洲中期天气预报中心相媲美（ECMWF，最佳传统物理天气模型之一)的预测结果。“对最多提前10天的预报，”NeuralGCM"准确率与现有的机器学习技术相当，有时甚至更好。

“NeuralGCM“气候模拟的准确性等于最佳的机器学习和物理方法。当团队在“NeuralGCM在40年的气候预测中加入海平面温度后，他们发现模型给出的结果与ECMWF数据中发现的全球变暖趋势一致。在预测龙卷风及其轨迹方面，新模型也超过了现有的气候模型。

小组总结说，这些结果表明，机器学习是提高一般环流模型的一种可行的方法。