手機天氣預報，為什麼隻有 15 天？

科技狐

2024-08-02 11:12釋出于廣東科技領域創作者

巴黎奧運會的開幕式，小夥伴們都看了吧。

給老狐印象最深的，不是把央視解說幹沉默的大膽畫面，也不是辣眼睛的藍精靈，而是影響了現場演出效果的雨。

可能很多人不知道，在 16 年前的北京奧運會，原來天氣預報有雨，通過人工消雨，保證了北京奧運會精彩的表演。

天氣預報對人類生産生活的影響毋庸置疑。

往大了說，它影響着農業、工業的生産、活動的組織，農民安排農事、企業安排生産，包括像奧運會開幕式這樣重要的活動，天氣預報都有非常重要的指導意義。

往小了說，天氣預報決定了老狐上班穿的是足力健還是洞洞鞋。

正因為天氣如此重要，電視上的天氣預報就成了許多人每天必看的電視欄目，《漁舟唱晚》的 BGM，是很多人共同的回憶。

不知道大家注意到沒，央視天氣預報，預測的天氣隻有明後兩天的資訊。

在手機上，天氣預報更長，不管是手機自帶插件還是第三方 App 上，都提供了 15 天内的資訊，iOS 是個例外，隻有 10 天。

而如果想要把預測時間再往上提升，受到混沌理論的限制，想要精确就比較難了，安卓手機雖然有 90 天的預測，但也是以十天為機關，沒有更詳細的天氣變化。

難道氣象學家就沒有辦法更長時間地精準預測天氣嗎？

去年，華為盤古氣象大模型預測天氣準确率更高的論文登上《自然》雜志，前段時間，谷歌的天氣預報模型 Neural GCMs 也登上《自然》雜志，用 AI 預報天氣目前是一個很火的賽道。

準确預測天氣變化的需求，古人就有，他們沒有精密儀器測量，而是搞玄學。

在出土的商朝甲骨文上，記錄了古人通過占蔔來預測天氣，這是目前關于天氣預報最早的文字記載。

可以想象這肯定不靠譜。後來，古人通過觀察各種現象，總結經驗，找出天氣變化規律。

老祖宗們還留下了不少諺語，幫助人們預測天氣，像是天上鈎鈎雲，地上雨淋淋；或者雨後東風大，來日雨還下；喜鵲枝頭叫，出門晴天報等。

通過大量觀察，由經驗得出規律，在某種程度上也可以稱為統計預測法，但是這種方式缺乏理論依據，難以滿足科學發展需要。

這就好比人建造房子，如果缺少科學的資料，憑着感覺造，建造兩三層樓可能沒問題，但建造高樓大廈就可能是危房。

現代氣象學發展的關鍵人物，是挪威的實體學家威廉·皮葉克尼斯，他在 1905 年提出了用數學思想來描述大氣的運動狀态，給出了大氣運動的方程組，開啟了現代氣象研究的大門。

1910年，威廉·皮葉克尼斯開始在天氣圖上繪制流線，通過收集到的地面與高空觀測資料，他提出了中緯度氣旋發展的氣旋模型和極鋒理論，也就是下圖這個。由此形成了包括天氣學理論、天氣圖分析和預報方法的完整體系。

這裡有個重要的天氣預報方法就是天氣圖預測法，這種方法通過預報員利用天氣圖等各種圖表，基于天氣系統的演變曆史，再結合實體學、氣象學和個人經驗，來預測天氣接下來的變化。

不過現在的天氣預報沒有采用天氣圖預測法，而是采用了數值天氣預報。

前面提到，威廉·皮葉克尼斯給出了大氣運動的原始方程組，這也成為了數值天氣預報的基礎。

大氣運動方程組包括運動方程、連續方程、熱力學方程、水汽方程和狀态方程。

所謂數值天氣預報，就是依據已知的大氣溫度、濕度、壓力等初始條件，解方程組，求出未來大氣的溫度、濕度、壓力等資料。

大家别慌，老狐不是想教會大家解這個方程，隻要知道有這個方程就行了。

解這組方程有多難呢？英國科學家理查森在 1910 年曾試圖用這個方程組計算 6 小時内某個地點的氣壓變化，因為當時對資料處理不對，導緻結果錯誤。

如果想要預報全球的天氣變化，按照理查森的設想，在一個模仿地球的巨大球形建築裡，把地球劃分成許多小的區域，每個人負責計算一個區域的天氣變化，一共需要 64000 人。

後來有人指出理查森又搞錯了，并且更正了真正需要的計算人數—— 204800 人。

直到 1950 年，氣象學家查尼用世界第一台計算機 ENIAC 成功模拟出第一個與實際相符的數值預測結果，他預測的是 24 小時後的天氣預報，計算過程剛好也花了 24 個小時。

聽着像是做了無用功，但這意味着數值天氣預測可以業務化，意義重大。這就好比你畢業剛工作，每個月工資剛好夠付房租和夥食，但對自己來說，這是真正獨立的開始。

如今的數值天氣預報，氣象資料更加精細，也更加全面，以大陸為例，一年前，大陸一共有 7 個大氣本底站、27 個氣候觀象台、近 7 萬個地面自動氣象觀測觀察站，120 個高空氣象觀察站，242 部新一代天氣雷達，還有 7 顆在軌運作風雲氣象衛星。

*風雲衛星全球影像

是以，現在的天氣預報不僅是溫度、壓力、濕度這些資料，還能預測能見度、雷電、台風走向，甚至包括冰雹、龍卷風這樣的局部極端天氣。

海量的資料，隻能依靠最先進的超級計算機。像大陸之前的天河一号，現在的神威計算機都在氣象研究上發揮了重要作用。

數值天氣預報目前最領先的機構是歐洲中期天氣預報中心，也就是華為盤古氣象大模型那篇論文裡頻繁提到的 ECMWF。

*ECMWF天氣預報圖

先解釋一下這裡的“中期”： 0-12 小時内的天氣預報被稱為短時天氣預報、3 天以内的叫短期天氣預報，4-10 天是中期天氣預報。

下圖是 ECMWF 在半個标準大氣壓高度（海拔約5500m）上預報水準的演變，粗線是北半球，細線是南半球。3 天、5 天和 7 天的預測水準都有顯著提高，而 10 天以上的天氣預報，目前隻能說有一定的參考價值。

是以手機上的天氣預報 App，最長隻提供了 15 天的天氣資料，數值天氣預測的有效性，被限制在中期這個時間尺度裡。

數值天氣預報的核心思想可以說是“機械論”，機械論認為，隻要掌握大自然所有組成部分的相對位置，就能通過計算概括所有物質的運動。

但是，後來的氣象學家洛倫茲發現，大氣運動存在混沌現象，限制了天氣預報的準确性。

大氣系統是一個非常複雜的線性系統，對各種誤差極為敏感，觀察的資料、模式初始化以及計算精度的細小誤差，都會在計算過程中被不斷放大。

洛倫茲關于混沌現象更知名的解釋是“蝴蝶效應”——一隻南美洲的蝴蝶扇動翅膀，結果可能引發美國德克薩斯州的一場龍卷風。

而如今正如火如荼發展的 AI 天氣預報，能消除混沌現象的幹擾嗎？AI 并沒有消除，而是想辦法繞過這個坑。

與數值天氣預測的基礎是實體模型不一樣，AI 天氣預報是一種統計預測法，通過對過去大量全面充分的氣象資料樣本進行分類歸納，總結出規律。邏輯上來說，其實跟古人總結天氣經驗十分相像。

隻不過想要歸納海量資料，把這個工作交給了 AI，資料越多，預測結果越準确。

比如盤古大模型，利用歐洲中期天氣預報中心在 1979 到 2017 這 39 年間測得的氣象資料進行訓練，再用 2019 年氣象資料進行驗證，并用 2018 年的氣象資料進行測試。

測試結果顯示，在七天内，盤古氣象大模型預報的每一個天氣變量的均方根誤差，比中期歐洲天氣預報中心的綜合預報系統低 10%，比高通的 AI 模型 FourCastNet 要低 30%。

在台風軌迹預報方面，論文用 2018 年 25 号和 26 号台風進行了比較，結果顯示，盤古氣象大模型具有明顯優勢。

歐洲中期天氣預報中心在官網一篇文章為自己進行了辯論，拿了另一個台風舉例，意思就是咱兩預測軌迹都接近，但是你中心風速預測沒有我準确。

這篇文章也對 AI 天氣預測進行了肯定，但是這裡你會發現，FourCastNet 又出現了，然後，它的表現直接被忽視。

FourCastNet 作為 AI 天氣預測的前輩，被後浪拍死在沙灘上。

與華為盤古氣象大模型不同，谷歌最新的 Nueral GCMs 是一個混合模型，核心分為兩部分，一部分是像數值天氣預測那樣，由動力學方程模拟大氣運動過程中的流體動力學和熱力學；另一部分是機器學習，由神經網絡解決一些無法用數理原理模拟的過程。

不過，在更長時間範圍，比如 10-15 天的天氣預測效果上，盤古大模型沒有提及，另外一個國産的伏羲氣象大模型在論文中提及 15 天的預測性能，與歐洲中期天氣預測中心接近。

AI 天氣預報，尤其是大模型天氣預報的另一個優勢是節能。

經過大量訓練後的盤古氣象大模型，能在 10 秒内完成全球 7 天重要氣象要素的預報，計算速度比數值天氣預報快 10000 倍以上。

數值天氣預報要用到的超級計算機，每小時的耗電量超過 2 萬度，相當于一座小城鎮的耗電量。

人工智能已經顯示出在天氣預報方面巨大的潛力，但并非要淘汰傳統的數值天氣預報，未來更可能是兩種模式共存，像谷歌的 Nueral GCMs 那樣，兩種模式合作，互為補充。

如果未來，天氣預報的精度和預測水準能進一步提高，精準預測暴雨、龍卷風、冰雹等破壞力強的天氣，人們有足夠時間為災害做足準備，那麼生命和财産的損失将會大大降低，這也是無數氣象科學家努力奮鬥的目标。

老狐期待這一天的到來。

參考資料：

河南日報：3000多年前的“天氣預報”，商人如何“占蔔”？

浙江天氣網：淺談天氣諺語

科創中國：天氣預報竟然是這樣“算”出來的

徐小峰：從實體模型到智能分析——降低天氣預報不确定性的新探索

杜鈞，錢維宏：天氣預報的三次躍進

《nature》：Accurate medium-range global weather forecasting with 3D neural networks

《nature》：Neural general circulation models for weather and climate

ECMWF：The rise of machine learning in weather forecasting

中國國防報：超級計算機性能知多少

編輯：餓羊羊

檢視原圖 1.1M

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

• 

•