當氣象預報也 AI Powered
近期 Sora 重磅推出，各種超實影片散佈社群平台，重現了 2022 年 ChatGPT 推出時的面貌。
這讓大眾以為，2023 年的 AI 革命主旋律，就是圍繞 ChatGPT、Sora，這種 GenAI 類型的革命。
但事實上，和人們日常息息相關的氣象預報，在 2023 年也同樣掀起 AI 革命，直接挑戰了傳統預報模式。
今天，我們就來聊聊，這場 23 年悄悄發展的氣象 AI 革命。
現在怎麼做天氣預報？
現在的天氣預報，其實都先仰賴一台超級電腦，經過數小時的運算，先算出一個大致數值預報。
氣象局的預報員們得到資料後，經過他們的預報經驗，輔佐其他大氣數據，會再做出修正後、更準確的天氣預報。
其中，修正電腦預報這一步，遠比你想像的還重要。
舉個例子，以台灣為例，氣象員們通常有個 feel，當颱風從東南方準備登陸時，通常會有偏向某條河流、或呈現 z 字偏折的狀況。
這種情況通常數值預報掌握不到，就必須仰賴資深的預報員，進行預報修正。
數值預報怎麼做？
ECMWF HiRes Model Precipitable Water - MyFoxHurricane.com
數值預報的計算，其實仰賴了過去數百年的知識。工程師們會把氣象物理知識，寫成 code、演算法，供超級電腦計算。
在每日預報時，工程師會餵入地面觀測站的資料、衛星資料等，讓電腦算個幾小時產生結果。
但數值預報上，有幾大難題。
第一是算力。數值預報因為牽扯龐大的運算，超級電腦真的要很超級。
全球前 500 大超級電腦中，台灣中央氣象局就有兩台，同時正耗資數十億，繼續買超級電腦，因應未來預報需求。
第二是資料缺乏，氣象預報的第一步是資料收集。要做成好的預報，不但需要衛星資料、也要地面觀測站資料。
衛星資料一照可以照一大片地球表面，但地面資料再怎麼努力，太平洋這塊也是少一大塊，山區也是。
而全球數值運算的模型，全世界也有幾大派別，其中最大的兩家，是歐洲的 ECMWF、和美國的 GFS 。
ECMWF 和 GFS 誰好誰壞，有點地域性的因素。普遍來說，台灣鄉民比較喜歡 ECMWF ，在夏秋颱風季 ECMWF 也表現比較好。
ECMWF 也因此成為 Benchmark ，每當有一個 AI Model 誕生時，都要和 ECMWF 一較高下，看誰比較厲害。
Graphcast Model 的閃亮推出
2023 年底，由 Google Deepmind 發表的 Graphcast 閃亮登場。登場的第一句話是
Our state-of-the-art model delivers 10-day weather predictions at unprecedented accuracy in under one minute.
Deepmind 團隊宣稱，他們透過過去數十年的氣象資料，讓模型通過 data，學習 pattern，一舉揮別傳統 algorithm-based 的數值預報。
要產出 10 天預報，傳統上，我們需要幾百個 CPU、GPU 的超級電腦，運算好幾小時，跑出數值預報。
現在，只需要一個 Google TPU machine ，跑不到一分鐘，就算出全球模式的預報，準確度甚至可能高於傳統算法。
同時，這個模型還有幾大要點：
- 不像 23 年 GenAI-based model 是 Transformer，Graphcast 是用 Graph Neural Networks (GNNs)，在物理空間上，表現較有優勢的基底模型。
- 0.25 精度的解析度，約 28km x 28km 的大小。投射地球上，有超過百萬個數格(grids)。
- 在對流層不同高度上，可以產出溫度、風速、風向、濕度、氣壓等預測。
- 在極端氣候上，例如颱風路徑預測、熱浪，表現都不亞於傳統算法。
因此，不論是在預報上、甚至是算力上，我們都看見了 AI 肌肉的實力，也為中尺度預報展開新的篇章。
MetNet-3 的強力輔佐
相似時間，另一個由 Google Research 和 Deepmind 強力合作的 Model MetNet-3，則在區域預報上刷出亮眼成績。
MetNet-3 推出的牛肉，是以更高頻率、更高解析度邁進。對比於傳統 60min、9km 的預報尺度，MetNet-3 則能以 2min 、1km 的大小進行推論。
與此同時，他能讓你不論身處何地、附近多少氣象站，都還能精準作出預報，送到你手機。
這究竟怎麼達成的？其實細讀 Paper ，就會發現都是常見 Model Training 的技巧。
簡單來說，透過將觀測站的資料切割成兩塊，將 Model 慢慢從 Training Data，Fit 到 Evaluation Data，再透過 spatial parameter sharing 做全境推估。
這讓 model 必須學會如何透過有氣象站的資料，推論沒有氣象站的地點。
更強的是，它每幾分鐘，就吃一次雷達、衛星、觀測站、和傳統模型的推論資料，做未來12小時的實時更新。
因此，不論你身處何處，MetNet-3 都能實時送給你最強天氣預報。
那我們可以丟掉數值預報了嗎？
簡單回答是，不行！光是看 MetNet-3 只部署在美國和歐洲大陸，就能看出一點端倪。
以 MetNet-3 為例，預報是建立在氣流是一個連續的過程，透過模型推論，展望未來 12 小時的移動。
但台灣是個典範例子，每到夏天，山區就會突然長一顆一顆超強對流系統，俗稱午後雷陣雨。
雨彈來了！午後對流旺盛16縣市大雨特報│下雨│中央氣象局│對流雲系│TVBS新聞網
這種不太連續、突然長出的系統，MetNet-3 可能無法表現的好，我想這也是為什麼 MetNet-3 還沒應用到低緯度，天氣型態比較複雜的區域。
另一方面，Guo-Yuan 的文章也指出數個 AI 預報的挑戰，比如模型輸出變數不足、區域模式預報的極限，這些都讓傳統數值預報仍有舉足輕重的地位。
一次經典的 Paradigm Shift - 典範轉移
Tesla FSD v12 Rolls Out
就像 Tesla FSD 在 v12 宣稱，他們移除了 30 萬行的 C++ code，在最新的全自動駕駛技術中，完全仰賴 Deep Learning 深度模型。
在氣象領域上，我們也看到同樣趨勢。累積了 50 年的數值預報，仰賴的是科學家數百年，對氣象物理世界的了解。
但現在，一個悄悄誕生的 GNN 模型，隨便 tuned 一下，不但省了 90 幾 % 運算資源，還得到相稱的結果。
The world is shifted to AI-Powered mode. 再搭上 ChatGPT 、Sora 的強勢登場，我總覺得 AI 統治世界，是個短期就會發生的事呢。
你可能也想看
