ADVERTISEMENT
由於天氣變化多端，所以天氣預報本來就存在著不確定性。因此，預測各種可能出現的天氣狀況就變得非常重要，這對於做出重要的決策至關重要。能準確預測各種可能的天氣情景，才能幫助人們做出更明智的決策。
傳統的天氣預報是基於「數值天氣預報 (NWP)」技術，這種技術是用物理學的知識，模擬大氣的運動來預測天氣。
近年來，機器學習 (ML) 技術應用在天氣預報上 (MLWP) 有了新的進展，發展出基於機器學習的天氣預報模型。這些新的模型，預測的誤差比單純使用數值天氣預報的模型更小，也就是說更準確。
雖然機器學習 (ML) 在天氣預報 (MLWP) 中取得了一些進展，但這些進展主要集中在單一確定性預測上。什麼是單一確定性預測？ 就是只給出一個明確的預測結果，例如「明天會下雨」，但沒有說明下雨的可能性有多大，或者其他可能的天氣狀況。
這種預測方式有兩個問題：
- 無法反映不確定性： 天氣變化多端，單一結果無法涵蓋所有可能性，也無法表達預測的信心程度。
- 無法估計風險： 對於一些重要的決策，例如防災、能源規劃，需要了解各種天氣狀況發生的可能性，才能評估風險，做出最佳決策。
因此，目前的機器學習天氣預報 (MLWP)，在準確性和可靠性方面，整體來說還是不如傳統的數值天氣預報 (NWP) 集合預報，因為集合預報可以提供多種可能的天氣情景，更全面地反映不確定性。
Google DeepMind 的研究人員開發了一種新的天氣預報模型，叫做 GenCast。GenCast 是一種「機率天氣模型」，意思是它不僅會預測單一的天氣結果，還會預測各種可能天氣狀況發生的機率。
GenCast 的「技巧」和「速度」都比目前世界上頂尖的中期天氣預報系統 ENS 還要好。這裡的「技巧」指的是預測的準確度，「速度」指的是產生預報所需的時間。ENS 是由「歐洲中期天氣預報中心」製作的集合預報，被認為是目前最好的中期天氣預報系統之一。
這段話說明了 GenCast 是一個基於機器學習、使用大量歷史資料訓練而成的高效天氣預報模型，能夠快速生成未來 15 天的全球天氣預報，並提供多種可能的天氣情景和豐富的天氣資訊。
- 機器學習天氣預報方法： GenCast 是使用機器學習技術來預測天氣，而不是傳統的物理模型。
- 基於數十年的再分析資料進行訓練： 研究人員使用了過去幾十年累積的大量氣象資料來訓練 GenCast，這些資料包含各種天氣變數的觀測和分析結果，讓 GenCast 能夠學習天氣的模式和變化規律。
- 8 分鐘內生成一組隨機的 15 天全球預報： GenCast 可以在短短 8 分鐘內，生成未來 15 天的全球天氣預報，而且是一組「隨機」的預報，也就是說會提供多種可能的天氣情景，而不是單一的確定性預測。
- 步長為 12 小時： 預報的時間間隔是 12 小時，例如預測今天中午 12 點、今晚 0 點、明天中午 12 點的天氣狀況。
- 經緯度解析度為 0.25°： 預報的空間解析度，經度和緯度方向上每 0.25° 為一個網格，也就是說可以預測全球每個小區域的天氣狀況。
- 涵蓋 80 多個地表和大氣變數： 預報的內容包含 80 多種天氣變數，例如溫度、濕度、風速、降雨量等等，提供非常全面的天氣資訊。
研究團隊設定了 1,320 個評估目標，例如預測特定地區的溫度、降雨量、風速等等。GenCast 在其中 97.2% 的目標上，都展現出比 ENS 更穩健的預測能力，也就是說預測結果更準確、更可靠。
這項工作有助於開啟實用天氣預報的下一篇章，其中關鍵的天氣相關決策將更加準確和高效。
該研究以「Probabilistic weather forecasting with machine learning」為題，於 2024 年 12 月 4 日發表在《Nature》。
天氣預報對我們的生活很重要，不論是工作還是日常生活，它都能幫助我們做出重要的決定。但預報不可能百分之百準確，因為目前氣象部門只能觀測到部分的天氣狀況，而且用來預測天氣的模型也不完美，所以預報結果總是存在一些不確定性。
傳統的天氣預報方法 (NWP) 就像是用數學公式來計算天氣的變化，而集合預報 (ENS) 則像是預測未來的各種可能性，就像我們會想「如果明天出太陽，我就去野餐；如果下雨，我就待在家裡看電影」。
雖然集合預報可以提供更精準的天氣預測，告訴我們各種天氣發生的可能性，但它也有一些缺點：
- 誤差大： 預測結果可能還是不夠準確。
- 計算慢： 需要花費大量的時間來計算各種可能的天氣狀況。
- 執行工程複雜： 製作集合預報需要複雜的技術和大量的資源。
最近，使用機器學習來預測天氣 (MLWP) 的方法發展得很快，在某些方面，它比傳統的預測方法 (NWP) 更準確、效率也更高。
但是，目前的機器學習預報方法大多只能告訴你「最可能」出現的天氣狀況，就像只給你一個「平均值」，卻沒有告訴你其他可能發生的情況，以及這些情況發生的可能性。
這就像有人跟你說「明天平均溫度是 20 度」，但實際上明天有可能很冷只有 15 度，也有可能很熱到 25 度。
此外，目前的機器學習預報方法在預測長時間的天氣變化方面，效果還不夠好。
雖然有些結合了傳統方法和機器學習的新方法 (例如 NeuralGCM)，預測能力和傳統的集合預報差不多，但是它能預測的範圍比較小，不夠精細。
最近，Google DeepMind 的研究人員開發了一種全新的天氣預報模型，叫做 GenCast。它是一種基於機器學習的預報方法 (MLWP)，而且表現比現有的頂尖預測系統 ENS 還要好！
GenCast 厲害的地方在於：
- 它能生成更逼真的天氣預測： 就像看電影一樣，GenCast 可以模擬出未來各種可能的天氣變化過程，而不只是給你一個冷冰冰的平均值。
- 它能提供更準確的預測： GenCast 不僅能準確預測某個地點、某個時間的天氣狀況，還能更準確地預測整個區域、甚至全球的天氣變化趨勢，以及不同天氣現象之間的相互影響。
簡單的說，GenCast 是一種更先進、更準確的天氣預報模型，超越了目前的頂尖預報系統。
GenCast模型
GenCast 是一種很優秀的天氣預報模型，它可以預測未來 15 天全球各地的天氣狀況，而且準確度比現有的頂尖預報系統 ECMWF 的 ENS 還要高！ECMWF是「歐洲中期天氣預報中心」，他們的 ENS 預報系統是目前最好的預報系統之一，而 GenCast 的表現比它還要出色！
GenCast 的預報非常精細，它把全球分成一個個小格子，每個格子的大小是 0.25°，這樣就能預測到每個小區域的天氣變化。
更厲害的是，GenCast 只需要 8 分鐘就能完成一次預測，而且可以同時進行多次預測，產生多種可能的天氣情景，幫助我們更好地應對未來的變化。GenCast 使用 Google 的 Cloud TPUv5 設備來進行預測，這是一種專門用於人工智慧運算的超級電腦，可以快速處理大量資料。
GenCast 預測天氣的方式，可以想像成是根據「現在」和「過去」的天氣狀況，來推測「未來」的天氣。
就像我們會根據今天和昨天的天氣，來猜測明天的天氣一樣，GenCast 會根據當前的氣象資料 (Xt) 和前一個時間點的資料 (Xt-1)，來預測下一個時間點 (Xt+1) 可能出現的各種天氣狀況，以及它們各自的可能性。
GenCast 把整個預測過程分成很多個時間點，就像把一部電影分成很多個畫面。它會先根據初始狀態 (X0, X-1)，也就是最開始的天氣狀況，來預測第一個時間點 (X1) 的天氣；然後再根據第一個時間點的預測結果，來預測第二個時間點 (X2) 的天氣，以此類推，直到預測完所有時間點 (X1:T)。
這種預測方式叫做「自回歸」，就像一個接龍遊戲，後面的預測都依賴於前面的預測結果。
要理解 GenCast 如何預測全球天氣，可以想像地球被一個立體的網格包圍著：
- 橫向的網格： 就像在地球表面畫格子，經度和緯度方向上每 0.25° 是一個格子，精確地涵蓋全球。
- 縱向的網格： 從地面往上延伸，分成 13 層，每一層代表不同的氣壓高度，就像樓層一樣。
GenCast 會記錄每個格子裡、每一層樓的各種天氣資訊，包括：
- 地表變數 (6 個)： 例如地面溫度、濕度、氣壓等等。
- 大氣變數 (6 個)： 例如不同高度的風速、風向、雲量等等。
GenCast 的預測時間長達 15 天，每 12 個小時預測一次，就像每天播報兩次天氣預報一樣，總共會預測 30 次 (T=30)。
為了訓練 GenCast 準確預測天氣，研究人員使用了大量的歷史氣象資料，這些資料是從長期的觀測和分析中得到的，代表了對過去天氣狀況最可靠的估計。
GenCast 的核心是一種叫做「條件擴散模型」的技術，它是一種很先進的人工智慧技術，可以用來處理複雜的資料，例如天氣資料，並生成新的樣本，例如預測未來的各種天氣狀況。
這種技術就像是一位畫家，不斷地修改和完善自己的作品：
- 先畫出一張草圖： 一開始，模型會生成一張充滿雜訊的「天氣圖片」，就像一張亂七八糟的草圖。
- 逐步細化： 然後，模型會根據「現在」和「過去」的真實天氣狀況，一步步地修改這張草圖，就像畫家不斷地添加細節和調整顏色。
- 最終完成作品： 經過多次修改後，模型最終會生成一張清晰準確的「未來天氣圖片」，也就是預測結果。
這種「逐步細化」的過程叫做「反覆運算細化」，就像我們寫作文一樣，會先打草稿，然後一遍遍地修改，直到最後完成一篇滿意的文章。
擴散模型是目前人工智慧領域非常熱門的技術，它已經被廣泛應用於生成圖片、聲音和影片等方面，GenCast 則將這種技術應用於天氣預報，取得了突破性的成果。
圖片中的藍色框顯示了 GenCast 如何一步步預測未來天氣的過程：
- 從初始狀態出發： 首先，GenCast 會根據「現在」和「過去」的天氣狀況 (X⁰, X⁻¹)，生成一張充滿雜訊的「未來天氣圖片」(Z⁰)，就像一張模糊的草圖。
- 逐步去除雜訊： 接著，GenCast 會利用一個叫做「降噪器」(rθ) 的工具，逐步去除圖片中的雜訊，讓圖片變得越來越清晰。
- 生成第一個預測結果： 經過多次降噪後，GenCast 就得到了第一個預測結果 (X¹)，也就是「下一個時間點」的天氣狀況。
- 繼續預測未來： 接下來，GenCast 會把第一個預測結果 (X¹) 當作新的「現在」狀態，並重複上述步驟，預測再下一個時間點的天氣 (X²)，以此類推，直到預測完所有時間點 (X¹, X², ..., XT)。
另外，由於 GenCast 在每次預測開始時，都會加入不同的雜訊，所以它可以生成多組不同的預測結果，就像為我們提供了多種可能的天氣情景，讓我們更全面地了解未來的變化。
我們可以把 GenCast 想像成一位正在學習預測天氣的學生，而訓練 GenCast 的過程就像學生在學校學習一樣：
- 教材： GenCast 使用的「教材」是過去 40 年 (1979 年到 2018 年) 的氣象資料，這些資料來自一個叫做 ERA5 的資料庫，裡面包含了全球各地的天氣觀測數據和分析結果，就像一本記錄了過去天氣變化的大百科全書。
- 學習方法： GenCast 使用一種特殊的學習方法，叫做「降噪神經網路」，就像學生在課堂上學習知識一樣，GenCast 透過學習這些歷史資料，掌握天氣變化的規律。
- 考試： 為了測試 GenCast 的學習成果，研究人員會用 ERA5 資料庫中的資料來模擬真實的天氣狀況，就像給 GenCast 出考題一樣，看看它能不能準確地預測未來的天氣。
GenCast 的學習過程可以概括為以下幾個步驟：
- 觀察歷史資料： GenCast 會仔細研究 ERA5 資料庫中的資料，就像學生認真閱讀課本一樣，了解過去的天氣變化模式。
- 添加雜訊： 為了提高 GenCast 的學習效果，研究人員會故意在「天氣圖片」上添加一些雜訊，就像老師在考試中故意設置一些難題，讓學生更好地掌握知識。
- 去除雜訊： GenCast 會利用「降噪神經網路」去除這些雜訊，就像學生運用學到的知識解決難題一樣。
- 反覆練習： GenCast 會不斷重複這個「添加雜訊 - 去除雜訊」的過程，就像學生不斷練習，提高解題能力一樣，直到 GenCast 能夠準確地預測未來天氣。
GenCast 的「降噪神經網路」主要由三個部分組成：
- 編碼器： 負責觀察和理解「天氣圖片」中的資訊。
- 處理器： 負責分析資訊和去除雜訊。
- 解碼器： 負責將分析結果表達出來，生成清晰的預測結果。
透過這樣的學習過程，GenCast 就能夠像一位經驗豐富的氣象學家一樣，準確地預測未來的 天氣變化。
上面這段文字和圖片，說明了 GenCast 預測颱風路徑的能力。
- b-d 和 h-j 展示了 GenCast 預測的幾個樣本，每個樣本都代表一種可能的颱風路徑。
- n-q 則展示了 GenCast 在預測「颱風哈吉比斯」路徑上的表現。
颱風哈吉比斯在 2019 年造成嚴重災害，GenCast 在颱風登陸前 7 天就開始預測它的路徑，當時預測的結果有很多種可能性，就像上圖中 n 中的藍色線條一樣，有很多不同的走向，這表示當時還不太確定颱風會怎麼走。
隨著時間推移，GenCast 獲取到的氣象資料越來越多，預測的結果也越來越準確，就像p、q 中的藍色線條一樣，越來越集中，表示 GenCast 對颱風的登陸時間和地點越來越有把握。
總之，GenCast 可以有效預測颱風路徑，而且預測的時間越接近颱風登陸，預測的結果就越準確。這對於防災減災工作非常有幫助，可以幫助人們提前做好準備，減少颱風帶來的損失。
評估結果
為了驗證 GenCast 的預測能力，研究人員進行了一系列的測試，結果發現 GenCast 的表現比目前最好的天氣預報系統 ECMWF 的 ENS 還要好！
GenCast 不僅預測得更準，而且預測速度也更快。
更重要的是，GenCast 成功滿足了機率天氣模型的三個關鍵要求：
- 預測結果更豐富： GenCast 可以生成多種可能的天氣變化過程，而不只是給出一個單一的預測結果。
- 預測更準確： GenCast 可以更準確地預測某個地點、某個時間的天氣狀況，例如更準確地預測下雨的機率。
- 預測更全面： GenCast 可以更準確地預測整個區域、甚至全球的天氣變化趨勢，以及不同天氣現象之間的相互影響，例如更準確地預測颱風的路徑和风力發電的效率。
GenCast 的第一個優點是：它能生成多種可能的天氣變化過程，而且每個過程看起來都很真實，就像真實世界的天氣變化一樣。
這和傳統的天氣預報模型很不一樣。傳統模型通常只會給出一個「平均」的天氣預測結果，就像告訴你「明天平均溫度是 20 度」，但實際上明天可能更冷或更熱，GenCast 則能提供更多可能性，例如「明天有 30% 的機率是 18 度，50% 的機率是 20 度，20% 的機率是 22 度」。
GenCast 的第二個優點是：它可以更準確地預測特定地點和時間的天氣狀況，尤其是對於極端天氣事件，例如暴雨、乾旱、熱浪等，GenCast 的預測準確度比 ENS 更高。
這裡的「邊際預報分佈」指的是針對某個特定地點和時間的預測結果，例如預測「台北市明天中午 12 點的降雨機率」。GenCast 經過精密的校準和調整，可以提供更可靠的預測結果。
對於極端天氣事件，GenCast 的預測能力尤其重要，因為這些事件往往會造成嚴重的災害。GenCast 可以更準確地預測極端天氣發生的時間、地點和強度，幫助人們提前做好準備，降低災害帶來的損失。
GenCast 的第三個優點是：它可以更準確地預測整個區域、甚至全球的天氣變化趨勢，以及不同天氣現象之間的相互影響。
這一點在以下幾個方面的評估中得到了證實：
- 彙集評估： GenCast 可以更準確地預測某個區域內所有地點的整體天氣狀況，例如預測整個台灣地區的平均降雨量。
- 區域風電預測： GenCast 可以更準確地預測某個區域的風力條件，例如預測台灣西部沿海地區的風速和風向，這對於風力發電的效率和穩定性非常重要。
- 熱帶氣旋路徑預測： GenCast 可以更準確地預測颱風的路徑，這對於沿海地區的防災預警非常重要。
GenCast 之所以能做到這一點，是因為它能夠捕捉「聯合分佈」中的空間和時間依賴性。
- 空間依賴性： 指的是不同地點的天氣狀況會相互影響，例如台灣北部下雨可能會影響到中部地區的濕度。
- 時間依賴性： 指的是今天的天氣狀況會影響到明天的天氣，例如今天的氣溫會影響到明天的降雨機率。
GenCast 能夠更好地捕捉這些複雜的關係，因此可以更準確地預測整個區域的天氣變化趨勢，以及不同天氣現象之間的相互影響。
展望未來
雖然 GenCast 已經表現得非常出色，但它還有改進的空間，仍然可以不斷學習和進步。未來，GenCast 可以從以下幾個方面進行提升：
- 提高解析度： 目前 GenCast 的解析度是 0.25°，也就是說它把全球分成一個個小格子，每個格子的大小是 0.25°。未來可以進一步縮小格子的大小，例如提高到 0.1°，這樣就能更精細地預測天氣變化，也能更好地支援更多應用場景。
- 降低計算成本： GenCast 是一種比較複雜的模型，需要大量的計算資源。未來可以探索一些新的技術，例如「提煉」和「效率技術」，來降低 GenCast 的計算成本，讓它能够更快地生成預測結果，並且消耗更少的能源。
- 使用更多資料： GenCast 是使用歷史氣象資料訓練出來的，未來可以加入更多的資料，例如更精細的觀測資料和更長期的歷史資料，來進一步提高 GenCast 的預測準確度。
這也強調了傳統天氣預報方法 (NWP) 的重要性。雖然 GenCast 是基於機器學習的新一代預報模型，但它仍然需要依靠傳統方法提供的資料來進行訓練和預測。
結語
總之，這項研究成果為天氣預報開闢了新的領域，有望在各種環境下提高預報的準確性、效率和可及性。
更廣泛地說，這項工作證明了，尖端的生成式人工智慧方法能夠捕捉複雜多變的天氣模式，並且具備足夠的準確性和可靠性，可以協助人們做出更有效的決策。
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！