人工智能和機(jī)器學(xué)習(xí)改變天氣預(yù)報(bào)的速度遠(yuǎn)超人們的預(yù)期。過(guò)去需要運(yùn)行數(shù)小時(shí)的數(shù)值天氣預(yù)報(bào)（NWP）模型，現(xiàn)在已經(jīng)有了機(jī)器學(xué)習(xí)天氣預(yù)報(bào)（MLWP）模型的加入，可以在幾分鐘內(nèi)生成全球預(yù)報(bào)。然而，在人工智能預(yù)報(bào)時(shí)代，觀測(cè)數(shù)據(jù)的重要性反而更勝以往。即使是先進(jìn)的模型，其能力也受到所獲取數(shù)據(jù)的限制。  

我們可能會(huì)以為更智能的算法能減少對(duì)觀測(cè)的依賴，事實(shí)上，人工智能并不能取代高質(zhì)量觀測(cè)的需求，反而使其變得更加關(guān)鍵。

高質(zhì)量的預(yù)報(bào)離不開(kāi)高質(zhì)量的觀測(cè)

除了依賴于數(shù)值天氣預(yù)報(bào)模型分析初始狀態(tài)的機(jī)器學(xué)習(xí)天氣預(yù)報(bào)模型外，直接觀測(cè)預(yù)測(cè)（DOP）模型也成為研究的熱點(diǎn)。這類直接觀測(cè)預(yù)測(cè)模型無(wú)需數(shù)據(jù)同化或物理機(jī)制。僅基于訓(xùn)練數(shù)據(jù)中觀測(cè)要素的特征，即可學(xué)習(xí)并預(yù)測(cè)大氣未來(lái)的觀測(cè)狀態(tài)。

過(guò)去常說(shuō)“垃圾進(jìn)，垃圾出"，現(xiàn)在可能要改成：“如果訓(xùn)練目標(biāo)是垃圾，模型輸出的也是垃圾。"要訓(xùn)練一個(gè)基于機(jī)器學(xué)習(xí)的天氣模型（無(wú)論是MLWP還是DOP），其訓(xùn)練目標(biāo)（即再分析場(chǎng)或觀測(cè)數(shù)據(jù)）須具備氣象學(xué)意義，且質(zhì)量需達(dá)到預(yù)報(bào)預(yù)期標(biāo)準(zhǔn)。

AI 預(yù)測(cè)中觀測(cè)的角色正在轉(zhuǎn)變

基于機(jī)器學(xué)習(xí)的氣象預(yù)報(bào)技術(shù)的興起改變了觀測(cè)數(shù)據(jù)的使用方式。這些數(shù)據(jù)如今承擔(dān)著三大關(guān)鍵功能：

訓(xùn)練目標(biāo)數(shù)據(jù). 目標(biāo)數(shù)據(jù)的質(zhì)量和代表性直接決定了機(jī)器學(xué)習(xí)預(yù)報(bào)所能達(dá)到的質(zhì)量上限。再精妙的模型架構(gòu)也無(wú)法彌補(bǔ)訓(xùn)練目標(biāo)的缺陷。在機(jī)器學(xué)習(xí)天氣預(yù)報(bào)中，觀測(cè)數(shù)據(jù)是再分析數(shù)據(jù)集的核心成分；而在直接觀測(cè)預(yù)報(bào)中，觀測(cè)數(shù)據(jù)則直接被用作訓(xùn)練目標(biāo)。

預(yù)報(bào)因子與推理數(shù)據(jù). 在 DOP 模型的訓(xùn)練和業(yè)務(wù)運(yùn)行過(guò)程中，觀測(cè)數(shù)據(jù)必須全面描述大氣狀態(tài)。任何機(jī)器學(xué)習(xí)模型都無(wú)法彌補(bǔ)輸入數(shù)據(jù)中缺失的大氣特征。在選擇合適的數(shù)據(jù)以大化其表征能力時(shí)，氣象專業(yè)知識(shí)依然。

驗(yàn)證. 必須將模型輸出與相關(guān)氣象觀測(cè)數(shù)據(jù)（如地面觀測(cè)站數(shù)據(jù)或無(wú)線電探空儀數(shù)據(jù)）進(jìn)行比對(duì)，以評(píng)估預(yù)報(bào)系統(tǒng)的性能。

速度讓實(shí)時(shí)觀測(cè)變得至關(guān)重要

機(jī)器學(xué)習(xí)模型生成預(yù)報(bào)的速度遠(yuǎn)超傳統(tǒng)的數(shù)值天氣預(yù)報(bào)。例如， 美國(guó)國(guó)家海洋和大氣管理局（NOAA） 新推出的AI驅(qū)動(dòng)全球預(yù)報(bào)系統(tǒng)AIGFS 僅用0.3%的傳統(tǒng)模型計(jì)算資源，就能在約40分鐘內(nèi)完成16天的預(yù)報(bào)。  而歐洲中期天氣預(yù)報(bào)中心（ECMWF）的 AIFS 模型，其計(jì)算時(shí)間主要消耗在基于數(shù)值天氣預(yù)報(bào)的數(shù)據(jù)同化環(huán)節(jié)。這些模型都屬于機(jī)器學(xué)習(xí)天氣預(yù)報(bào)模型。

由于直接觀測(cè)預(yù)測(cè) 模型不包含任何基于數(shù)值預(yù)報(bào)的數(shù)據(jù)同化過(guò)程（這類過(guò)程在超級(jí)計(jì)算機(jī)上通常需要運(yùn)行 40 分鐘甚至一小時(shí)），整個(gè)端到端的預(yù)報(bào)流程可以在幾分鐘內(nèi)完成。這意味著預(yù)報(bào)的延遲時(shí)間不再取決于超級(jí)計(jì)算機(jī)的處理時(shí)長(zhǎng)，而是取決于觀測(cè)數(shù)據(jù)傳送至直接觀測(cè)預(yù)測(cè)計(jì)算過(guò)程的延遲。因此，觀測(cè)·數(shù)據(jù)的傳輸速度因此變得比以往更為關(guān)鍵。

我們的觀測(cè)網(wǎng)絡(luò)準(zhǔn)備好了嗎？

隨著機(jī)器學(xué)習(xí)模型的發(fā)展加速，定期使用新數(shù)據(jù)和新架構(gòu)進(jìn)行再訓(xùn)練將成為常態(tài)。這引發(fā)了一個(gè)關(guān)鍵問(wèn)題：當(dāng)前的氣象觀測(cè)網(wǎng)絡(luò)是否足以滿

足未來(lái)模型的需求？

基于機(jī)器學(xué)習(xí)的天氣預(yù)報(bào)的可靠性直接取決于訓(xùn)練和驗(yàn)證數(shù)據(jù)集的質(zhì)量與全面性。為了超越傳統(tǒng)數(shù)值天氣預(yù)報(bào)的能力，這些數(shù)據(jù)集必須為模型訓(xùn)練提供可靠且全面的目標(biāo)數(shù)據(jù)，并為性能評(píng)估提供穩(wěn)健的基準(zhǔn)。

更好的觀測(cè)，更智能的 AI

核心觀點(diǎn)非常明確：人工智能并不會(huì)減少對(duì)精準(zhǔn)觀測(cè)數(shù)據(jù)的需求，反而強(qiáng)化了這種需求。雖然保持物理觀測(cè)的可追溯性仍然是基礎(chǔ)，但通過(guò)監(jiān)管良好的人工智能方法，可以大程度地發(fā)揮觀測(cè)數(shù)據(jù)在傳統(tǒng)數(shù)值預(yù)報(bào)和基于機(jī)器學(xué)習(xí)的天氣預(yù)報(bào)模型中的效用。

人工智能正在加速變革天氣預(yù)報(bào)的方式。而這場(chǎng)變革的根基在于精準(zhǔn)的觀測(cè)能力。我們的觀測(cè)越精準(zhǔn)，人工智能對(duì)大氣的理解就越深刻；而人工智能對(duì)大氣的理解越深刻，就越能通過(guò)更準(zhǔn)確、更及時(shí)的預(yù)報(bào)，更好地保障生命財(cái)產(chǎn)安全。