阅读时间 3 分钟数据与 AI

混合天气孪生:融合物理模式与机器学习

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。

从轨道上看到的地球,一分为二:左半边绘成泛着绿光和蓝光的模式数据,带有白色等值线;右半边是陆地和海洋上空云层的真实卫星图像。

首次发布于 2022年5月11日 · 更新于 2026年11月16日

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。

2022年的概念提出了什么

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:

  1. 模式之前,用于筛选和准备观测数据。
  2. 模式之内,用于替代代价最高的物理计算。
  3. 模式之后,用于在输出中发现规律和异常值,并订正局地偏差。

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。

2022年“混合天气孪生”(Hybrid Weather Twin)概念的分层示意图。自下而上依次为:混合基础设施(CPU 与 GPU)、混合部署(云端与本地)、数据源、数据转换与同化、把基于物理的 WRF 模式与机器学习模型配对的混合模型、后处理,以及 API、可视化和报告输出。

“混合天气孪生”是一个概念,不是产品。

两类模型各自擅长什么

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:

  • 它们能模拟从未被观测到的情形,因为它们不依赖过去的样例。
  • 它们的输出完整,并且在物理上自洽:每个网格单元里的每个变量都有。
  • 它们的表现可以追溯到原因,这在预报受到质疑时很重要。

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:

  • 一旦训练完成,它们能很快给出预报。
  • 它们能学到物理模式抓不住的场站局地特性,比如某座测风塔上的稳定偏差。

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。

这种融合如今用在哪里

以下是三个当前的例子。

物理模式输出作为 AI 训练数据

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。

让检验来当裁判

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。

动手搭建之前要先回答的问题

  • 拿什么来评分?先选定观测数据和误差指标。没有它们,您无从判断融合是否有帮助。
  • 训练数据够精细吗?训练集的分辨率和时间间隔,限定了学习模型所能呈现内容的上限。
  • 超出训练范围时怎么办?要为破纪录的事件做好准备。对于学习模型没见过的情形,要让基于物理的预报始终留在流程中。
  • 物理模式由谁来运行?您可以用AceCAST在 GPU 上自己运行 WRF,也可以委托按您的规格交付数据。

下一步

申请定制数据,或了解 AceCAST。

您的预报

您自己也有预报方面的问题?

告诉我们它要服务于哪项决策。填写一份简短的表单即可联系到团队,我们会审阅每一条来信。