摘要：2024年10月，《地球物理研究通讯》（Geophysical Research Letters）发表题为《基于深度学习敏感性分析对2021年太平洋西北热浪可预测性的极限研究》（Predictability Limit of the 2021 Pacific

2024年10月，《地球物理研究通讯》（Geophysical Research Letters）发表题为《基于深度学习敏感性分析对2021年太平洋西北热浪可预测性的极限研究》（Predictability Limit of the 2021 Pacific Northwest Heatwave From Deep-Learning Sensitivity Analysis）的文章指出，深度学习技术可以将 10 天天气预报的误差减少 90% 以上，使社区能够更好地应对热浪等极端事件。

由于大气和地表条件的微小变化会对未来天气产生巨大而难以预测的影响，传统的天气预报只能提前10天左右发布。更长的准备时间可以帮助社区更好地了解极端天气事件，如2021年6月创纪录的美国太平洋西北地区热浪，热浪融化了火车电力线，摧毁了庄稼，造成数百人死亡。

气象学家通常使用伴随模型来确定预报对初始条件不准确的敏感程度。例如，这些模型有助于确定温度或大气中水蒸气的微小变化如何影响几天后天气预报的准确性。了解了初始条件和预测误差之间的关系，科学家们就可以做出改变，直到确定产生最准确预测的初始条件。

然而，运行伴随模型需要大量的资金和计算资源，并且模型只能提前5天测量这些灵敏度。研究人员测试了深度学习方法是否可以提供一种更简单、更准确的方法来确定10天预测的最佳初始条件集。

研究使用非线性梯度下降来优化机器学习模型天气预报的初始条件，为了测试该研究方法，研究人员使用两种不同的模型创建了2021年6月太平洋西北地区热浪的预测：由谷歌DeepMind开发的GraphCast模型和由华为云开发的Pangu-Weather模型。首先比较两种模型预测结果，观察模型的表现是否相似，然后将预测结果再同热浪期间实际发生的情况进行对比（为了避免影响结果，来自热浪的数据没有包括在用于训练预测模型的数据集中。）

研究小组发现，使用深度学习方法来确定最佳初始条件，可以将GraphCast模型对2021年6月太平洋西北部热浪的10天预测误差减少约94%。使用Pangu-Weather模型同样取得了类似效果。研究小组指出，新方法将预测提前了23天。

该研究表明，借助最新的机器学习技术可以快速准确选定最佳预测初始条件，显著提升极端天气预报精度。

转载本文请注明来源及作者：中国科学院西北生态环境资源研究院文献情报中心《地球科学动态监测快报》2024第20期 王立伟 编译。

来源：环境与发展智库