在特别容易受到极端天气事件影响的社会中，数值天气预报日益证明其在拯救生命和保护财产方面的价值。在气候变化的影响下，这些极端事件变得更加严重，这使得更好的数值天气预报变得更加重要。提高数值天气预报技能的一种方法是利用机器学习 (ML) 和人工智能 (AI) 模型的力量来增强基于物理的算法和模型，这些模型是由现场、遥感和物联网 (IoT) 驱动的无数连接传感器测量（卫星、雷达、激光雷达、辐射计等）培育出来的。
术语“数字孪生”指的是系统或物理资产的数字复制品，源自在运行时使用各种类型的传感器和资产监控技术收集的现实数据。它通常意味着构建分析数据驱动模型（即孪生模型）来分析、更新、预测和/或管理其物理对应模型的性能操作。
机器学习和人工智能根据过去进行预测，并根据历史数据进行自动推理。它非常适合临近预报，但是通过全面、增量和多方面的再训练，可以以可量化的确定性预测未来。
天气系统是高度非线性的，这意味着现在的微小变化可能会导致未来发生难以置信的巨大变化。非线性系统不是随机的，但系统的行为可能很难预测。中长期预测，特别是气候变化，依赖于物理定律的第一原理。当可用于初始化预测模型的数据很少以及出现新的初始条件时，只有基于物理的建模和算法才能预测新的因果关系。
TQI 的目标是从基于物理的加速预测扩展到增强预测，从而绕过使用基于物理的算法所需的耗时计算。这意味着添加 ML 和深度学习 (DL) 生成的预测模型来复制 AceCAST 中编码的物理定律。 TQI 采用了一种新颖的方法，称为 混合天气双胞胎 (HWT) 的所有产品和服务都结合了基于物理和数据驱动的决策建模。前者基于理论描述和初始条件的变化，建立因果关系来探索未来事件的可能性，而后者则根据实际观察更新混合模型。 TQI 的 HWT 将数字孪生对应物与加速的基于物理的预测模型和现代基于 ML/DL 的卸载训练模型相结合，充分利用了可用的当代天气数据分析技术，从而充分利用了速度和性能的优势。
下图描述了HWT的概念架构。一个显着的特点是“杂交种”适用于不同级别：
- 计算节点：CPU和GPU
- 部署：本地、按需私有云和公共云
- 数据来源：网格数据、观测数据、私人数据
- 同化/预测模型：基于物理和 ML/AI
混合天气双胞胎概念架构的图像。
TQI 将在多个级别使用 ML/DL 方法。首先，在预处理层面改进数据的细化、增强和同化。通过自动定位高影响事件，我们可以在同化过程中优先使用该数据。其次，用 ML/DL 构建的代理模型取代计算成本高昂的第一原理例程。第三，在后处理中，自动检测最重要的变量、模式和异常值。
这种 HWT 方法依赖于基于理论的模型和 ML/DL 驱动模型的组合和互补，并且当两种类型的模型在同一 GPU 平台上运行时更加强大和高效。借助 AceCAST 天气预报软件，偏微分方程求解器和 ML/DL 都在 GPU 上运行，从而实现快速、超本地化的自定义预报。
AceCAST（HWT的物理组件）更高的分辨率直接增强了模型模拟小规模极端事件的能力，使观测中的信息能够在第一时间得到更好的同化。这样做可以减少模型对不准确的参数化过程的依赖，从而减少系统误差。
HWT 结合了机器学习和深度学习，自动持续改进其动态模型，减少科学模拟的局部偏差并加速信息传递。
作为捷径，基于物理的模型定义了虚拟孪生，ML/DL 模型定义了数字孪生。混合天气双胞胎是两者的融合，提供了一个尚未开发的机会，可以将天气和气候预测的技能提高到新的准确度。
HWT 是 TQI 的创新平台，用于提供更好/更快/更便宜的天气预报情报，并构建决策系统来管理天气和气候对经济的影响。
在我们的 LinkedIn、Facebook 和 Twitter 帐户上关注 TempoQuest 以获取更多更新。我们期待继续与您分享我们的最新消息和合作。
TempoQuest 领英: https://www.linkedin.com/company/tempoquest-inc TempoQuest 脸书： https://www.facebook.com/TempoQuestInc TempoQuest 推特： https://twitter.com/tempoquest公司
