AceCAST 5:新增内容
AceCAST 5 现已推出。变化如下:WRF 4.8、四项物理方案更新和四项新增模式输出。
2022年5月,TempoQuest 介绍了“混合天气孪生”(Hybrid Weather Twin):把基于物理的天气模式与机器学习融合起来。本文说明两类模型各自擅长什么,以及这种融合如今用在哪里。

需要天气预报的数据科学负责人,如今有两类模型可选。基于物理的模式求解大气方程,需要大量计算。机器学习模型一旦训练完成就能很快给出预报,但它们只知道训练数据教给它们的东西。多数团队最终两者都需要。2022年5月,TempoQuest 介绍了一个它称为“混合天气孪生”(Hybrid Weather Twin)的概念,把基于物理的模式与机器学习融合起来。本文重新审视这一思路:当时提出了什么,两类模型各自擅长什么,以及这种融合如今在哪些地方得到实际应用。
数字孪生是物理系统的数字副本,并用来自真实系统的测量数据保持更新。2022年的那篇文章把这个词用到了天气上。文中的混合孪生,把一个基于物理的预报模式与用观测数据训练的数据驱动模型配对使用。
这一概念把机器学习放在预报链条的三个位置:
它还把“混合”一词用在基础设施上:CPU 与 GPU、云端与本地、公共数据与私有数据。下图出自那篇文章。

“混合天气孪生”是一个概念,不是产品。
基于物理的模式从运动定律和热力学定律出发。它们的长处:
它们的代价是计算,而细网格需要大量计算。
机器学习模型从历史数据中学习规律。它们的长处:
它们的局限在于训练数据。用粗分辨率或短时段记录训练出的模型,给不出它从未见过的细节或极端情况。
这就是两种方法互补的原因。物理模式可以生成学习模型所需的精细、自洽的数据。学习模型可以对照观测订正物理模式。
以下是三个当前的例子。
细网格呈现的细节并不能证明预报技巧。了解如何给预报评分,其中包括一项与激光雷达观测所做的、范围有限的历史对比。
对任何混合系统而言,教训就在这一对结论里:融合胜过了参考模式,而单独的细网格运行却没有做到,并且只有对照观测评分才看得出这一点。
每一种融合都需要裁判。标准的检验做法是对照台站、激光雷达或雷达为预报评分,采用偏差、平均绝对误差和均方根误差等指标。另外,TempoQuest 正在开发一款预报检验工具(Forecast Verification Tool),旨在改进天气预报的检验。