很多人都想知道Google发布全天气模型预报基准，推动机器学习气象应用发展和一些什么软件可以查过去的天气的相关题，那么下面让小编来为你分享一下吧！
Google发布了WeatherBench2，这是一个用于评估和比较各种天气预报模型的框架。该框架可以计算包括机器学习模型和物理模型在内的天气预报分数，为研究人员微调和改进模型提供基础。还开源了WeatherBench2评估程序代码，以及针对云计算优化的真实数据和基准数据集。
随着天气预报技术的发展方向逐渐从物理模型转向机器学习模型，需要模型基准来评估模型之间的能力，确保机器学习模型是值得信赖的。随着计算能力的提高，谷歌提到如今的7天天气预报的准确度相当于2000年的5天预报和1980年的3天预报。这些预报准确度的提高影响很大关于物流规划和灾难规划。管理、农业甚至能源都有很大的价值。
然而，除了计算能力的提高之外，当前天气预报的另一场革命始于算法。一种较新的方法是利用机器学习技术，通过查看大量过去的天气数据来预测未来的天气变化。这与目前基于物理模型的天气预报不同，利用数学方程来描述和模拟大气、海洋、陆地及相关过程的动力学和相互作用。
机器学习天气预报已经取得了一些成果。例如，谷歌DeepMind开发的图神经网络GraphCast可以以25公里的水平分辨率预测10天的天气，其结果可以与先进的物理模型进行比较。
机器学习模型的重要优势在于，模型训练完成后，只需使用比超级计算机便宜得多的硬件运算，就可以在几分钟内计算出结果。这给天气预报领域带来了显着的效率提升和成本降低。可能性，所以无论是欧洲中期天气预报中心的机器学习发展路线，还是美国国家海洋和大气管理局的人工智能战略，都可以看出端倪。
在机器学习天气预报的发展中，需要一个能够反映天气和下游应用各方面性质的基准，能够以公平且可重复的方式比较新旧模型。谷歌推出的WeatherBench2全天气模型基准提供了一个可信且可重复的框架来评估和比较不同的预测方法。目前WeatherBench2披露的模型对比包括Keisler、GraphCast和Pangu-Weather机器学习模型，以及一些ECMWF高分辨率综合预报系统，作为传统天气预报模型的代表。
天气预报的评估存在一些挑战，因为高分辨率天气预报数据可能非常大，因此Google在开源统一程序开发模型ApacheBeam上构建了评估程序代码，以便用户将计算分成小块分布式的方式来评估。此外，谷歌还提供了ERA5数据集，用于针对不同分辨率和云计算优化的数据格式训练大多数机器学习模型。官员们提到，由于从单个文件中下载数据并进行转换非常耗时，并且需要大量的计算资源，因此通过将已经可用的数据提供给用户，可以显着降低研究的进入门槛。
谷歌与ECMWF合作，共同定义天气预报质量评分指标，以更好地捕捉全天气预报的质量。WeatherBench2可以使用相同的标准评估不同的模型，包括机器学习模型和物理模型。此外，WeatherBench2还考虑到更先进的概率预测，提供概率指标和基准。
与传统的“明天下雨的概率为80”相比，概率预报可以提供不同情景下的概率分布，例如“明天降雨量为0-10毫米的概率为60，10-20毫米的概率为20”。捕捉天气预报中更多的不确定性。
同时，WeatherBench2还针对机器学习预测的局限性提供了研究示例。谷歌解释说，与物理模型相比，机器预测模型在大气不确定性下倾向于采取保守策略，这会让预测更加平滑，从而与真实情况不一致。缺乏真实性，也缺乏小规模的结构。WeatherBench2为此提供了一个研究示例，并添加了光谱指标来量化模型模糊度，以评估模型是否倾向于预测平滑场景。
研究人员将继续改进WeatherBench2，添加现场观测和降水数据集，并尝试将临近预报和次季节预报纳入基准中。
对于Google发布全天气模型预报基准，推动机器学习气象应用发展和一些关于什么软件可以查过去的天气相关内容，本篇文章都有做详细解，希望对大家有所帮助。
No Comment