机器学习 vs. 动力学模型，Ai2 最新研究：仅需 2 分钟，ACE2 可完成一次 4 个月季节预报

关注

原创最新推荐文章于 2026-11-11 00:07:53 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

损失函数与优化器：从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」本文揭示损失函数与优化器本质一体：优化器仅依赖损失产生的梯度，而损失决定梯度的方向、尺度与噪声特性。错误的损失选择（如分类用MSE）会导致梯度失衡，使优化器失效；不同损失（如Huber、Focal）通过调控梯度分布影响优化过程。实测表明，归约方式、标签结构与损失配对直接决定梯度行为，进而影响收敛性与泛化。核心观点：选对损失，才是让优化器“看得懂”的前提。阅读详情

从农田灌溉规划到寒潮灾害防控，季节尺度天气预报是防灾减灾、农业生产与能源调度的关键支撑。长期以来，这类预报依赖基于物理方程的动力模式，而随着 AI 发展，机器学习模型在关键指标上已媲美传统模型，部分场景精度更优。

机器学习模型的核心优势是「自回归预报」： 模拟大气 1-6 小时短期演变，将预报结果反馈模型以生成多日高精度预报，部分模型可精准预报数周，还能借大规模集合预报提升极端天气概率预测能力。但瓶颈明显：预报超数周易出现稳定性减弱、细节丢失，难满足季节尺度需求；且模型物理机制解释难、季节预报样本少（每年仅 1 个独立样本），用物理模式模拟数据扩充训练集又会继承误差。

正是在这样的技术背景下，由英国埃克塞特哈德利中心气象局、埃克塞特大学以及美国艾伦人工智能研究所（Ai2）共同组成的研究团队，对此前开发的机器学习天气模型 ACE2 进行了评估，并与动力模式 GloSea 对比。结果显示，ACE2 无需复杂海气耦合，仅通过 ERA5 历史数据学习大气演变，就能在长期自回归预报中保持稳定，初步具备季节预报潜力。该研究首次证实，机器学习模型可生成高技巧全球季节预测，为短期气候预报技术发展提供新方向。

相关研究成果以「Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data」为题，发表于 npj Climate and Atmospheric Science。

在这里插入图片描述

论文地址：

https://go.hyper.ai/YyRfT

关注公众号，后台回复「ACE2」获取完整 PDF

更多 AI 前沿论文：

https://hyper.ai/papers

数据集：季节预报模型评估的多源数据整合

该研究整合多源数据支撑季节预报模型评估，核心数据来源与处理方式如下：

历史大气基础数据取自 ERA5 再分析数据集， 为确保整个预报期内海表温度（SST）与海冰状态的稳定性，研究基于 6 小时分辨率的大气原始数据，对每个网格单元施加标准差为 10 天的高斯滚动平均滤波处理，以构建兼具季节变化特征与边界条件稳定性的气候背景场；

月降水量观测数据则来源于全球降水气候学计划（GPCP）v2.3 数据集， 为后续降水预报结果的验证提供观测基准。

用于对比的传统动力模式数据，取自 GloSea 业务化集合预报系统（配置为 GC3.2），采用该系统 1993–2015 年间逐年初始化的后报数据。该系统包含 63 个集合成员，分三批初始化（每年 10 月 25 日、11 月 1 日、11 月 9 日各 21 个成员），集合离散度通过随机物理方案生成；其模拟预报时长为 6 个月，大气分辨率约 0.5°、海洋分辨率 0.25°，大气部分设 85 个垂直层次（延伸至平流层 85 千米高度），海洋部分设 75 个垂直层次，在热带与中纬度地区的次季节至季节尺度预报中表现优异，是当前该领域的先进动力模式代表。

为统一预报结果的比较基准，该研究所有 ERA5 再分析数据与 GloSea 模式数据均通过双线性插值，转换至 ACE2 的原生 1°×1° 网格，仅降水数据插值至 2.5°×2.5° 网格。 为精准量化关键气候信号，研究对核心气候指数的定义与验证方法进行了明确界定：ENSO 事件依据 12 月-次年 2 月（DJF）海洋尼诺指数（ONI）判定，阈值设为 ±0.5K，确定了 8 个厄尔尼诺冬季和 9 个拉尼娜冬季。NAO 指数定义为南北区域（20°N-55°N 与 55°N-90°N）间的平均海平面气压差。

在集合成员筛选与预报性能评估环节，该研究选取特定初始化时间窗口的成员以保证可比性：ACE2 取 10 月 28 日-11 月 1 日初始化成员（n=20），GloSea 取 11 月 1 日初始化成员（n=21）。NAO 值整合为 5 天气候平均值并去除气候平均态。研究计算了集合平均误差（RMSEₚ）和离散度（基于 σᵢₚ），并通过可预报成分比（RPC）从信号与噪声角度评估性能，显著性采用随机重采样方法检验。

ACE2 模型的季节预报实现：数据驱动与物理约束相结合

该研究采用的 ACE2 机器学习大气模型，以「数据驱动与物理约束相结合」为核心设计理念。 该模型仅基于 ERA5 再分析大气场进行训练，能够以 1° 网格分辨率对每 6 小时大气状态演变作出准确预测，并在长期自回归预报中保持良好稳定性。这一性能得益于三项关键设计：采用球面傅里叶神经算子（Spherical Fourier Neural Operator）架构，有效捕捉球面空间中的大气演变规律；支持用户自定义海洋与海冰边界条件，适应多样化预报场景；对质量守恒、水汽循环、降水率及辐射通量等关键物理过程施加约束，确保预报结果符合物理一致性。

在季节尺度预报中，ACE2 采用滞后集合方法生成预报结果。 在 1993–2015 年期间，模型自每年 10 月 25 日至 11 月 9 日每 6 小时初始化一个集合成员，全年共生成 64 个成员。所有初始化场均来源于 ERA5 再分析数据，以保证初始状态真实性。预报从初始化时刻持续至次年 3 月中旬，对应 1–3 个月的预报时效。

在边界条件处理上，ACE2 采用持续的海表温度（SST）和海冰异常数据， 基于初始化时刻各网格单元的瞬时异常，结合由 ERA5 数据推导的 6 小时分辨率气候态，在整个预报期内固定该异常值。该策略与训练阶段采用的时变边界条件不同，有助于减少季节预报中边界波动带来的干扰。气候态基于 1994–2016 年共 23 年 ERA5 数据，经标准差为 10 天的高斯滤波平滑后得到。任意网格在时刻 t 的 SST 边界由公式计算，海冰浓度采用相同处理方式，且结果严格限定于 0–1 合理区间。

此外，大气顶向下短波辐射通量及全球平均 CO₂ 浓度参考传统动力模式 GloSea 的设置，以保证对比时边界条件一致。ACE2 对这两类边界条件的敏感程度尚待进一步研究。

为评估边界条件敏感性，研究通过多组对照实验验证：使用 1988–2022 年数据推导气候态时，NAO 相关系数为 0.54；采用前一年短波辐射通量时，NAO 为 0.43；使用前一年 CO₂ 数据时，NAO 为 0.38。这些结果与「自然变率测试」（natural variability test）（初始化时刻推迟 6 小时，NAO 相关系数为 0.42）一致，表明在当前季节预报任务中，ACE2 对上述边界条件变化不敏感，体现出良好的预报稳定性。

ACE2 仅基于 6 小时观测演变过程训练，仍能展现出优异的预报技巧

多项研究证实，机器学习不仅推动了短期天气预报的技术革新，更为短期气候预测（季节尺度）的发展开辟了新路径。

在 1993–2015 年共 23 年的评估期内，如下图所示，ACE2 模型在 1–3 个月时效的季节预报中，展现出与传统动力模式 GloSea 高度相似的技巧分布特征，尤其在平均海平面气压（MSLP）预报上表现突出。值得关注的是，ACE2 的核心设计目标是实现稳定的气候模拟，并未针对季节预报能力进行专门优化，因此这种跨场景的性能一致性更具参考价值；与 GloSea 类似，ACE2 在欧洲地区的 MSLP 预报技巧相对较低，这一现象也反映出该区域气候变率复杂、预报难度大的共性挑战。

在这里插入图片描述

ACE2 和 GloSea 从 1993/1994 年至 2015/2016 年的平均海平面气压评分

从定量指标看，ACE2 在多数区域的相关系数略低于 GloSea。在温度预报方面，如下图所示，ACE2 仍保持大范围的有效预报能力，覆盖南美洲、非洲、澳大利亚及北美洲部分区域，其技巧分布规律与 MSLP 预报高度一致：北半球温带地区 ACE2 的面积加权平均相关系数为 0.41（GloSea 为 0.45），热带地区则为 0.68 与 0.77。

在这里插入图片描述

ACE2 和 GloSea 从 1993/1994 年至 2015/2016 年的地表温度评分

而在降水预报上，两类模型的整体技巧均相对较低，如下图所示，ACE2 的技巧空间分布与 GloSea仍呈现显著一致性，尤其在热带、加勒比海及东亚地区的吻合度更高，这一结果进一步证实 ACE2 具备对全球多区域季节变率的预报能力。

在这里插入图片描述

ACE2 和 GloSea 从 1993/1994 年至 2015/2016 年的降水量评分

两类模型在 NAO 预报中还表现出显著的互补性。 ACE2 与 GloSea 的 NAO 预报相关系数仅为 0.34（p=0.11），但将两者结果进行集合平均后，相关系数提升至 0.65（p<0.01），精度可与 GloSea 采用 127 个成员的扩展集合相媲美。从集合离散度与平均误差的演变趋势来看，如下图所示，两者也呈现高度一致性，进一步印证了 ACE2 集合预报的合理性。

在这里插入图片描述

对冬季 DJF 平均北大西洋涛动（NAO）的预测

在关键气候模态捕捉上，ACE2 对厄尔尼诺-南方涛动（ENSO）遥相关的模拟能力同样突出。如下图所示，通过对比厄尔尼诺年与拉尼娜年的气候场合成差值可见，ACE2 在 MSLP 与表面温度两个关键变量上展现的遥相关型，与 ERA5 再分析数据及 GloSea 模拟结果高度吻合，**证实即便仅通过大气 6 小时演变过程训练，ACE2 仍能精准识别全球多区域与 ENSO 相关的年际变率信号。 **

在这里插入图片描述

DJF 影响 ENSO 的表面条件

不过，ACE2 在 2009/2010 年极端冬季预报中显露出局限性：其集合平均未准确再现 MSLP 的负 NAO 型异常，仅模拟出北极气压略高于均值；平流层极涡模拟接近气候平均水平，而 ERA5 与 GloSea 均显示极涡显著减弱。SSW 预报上，GloSea 捕捉到 ENSO 与东风型 QBO 对 SSW 概率的增强效应，ACE2 仅 39% 成员出现平流层东风，与 40% 的气候发生率无差异；且其模拟的 SSW 概率在厄尔尼诺年（45%）、拉尼娜年（36%）与中性年（41%）间无统计差异，表明尚未充分捕捉 ENSO 与平流层的遥相关联系。

在这里插入图片描述

与 2009/2010 年极端冬季相关的地面和平流层异常

机器学习模型的显著优势还体现在计算效率上。ACE2 在单张英伟达 A100 GPU 上完成一次 4 个月的季节预报仅需不到 2 分钟， 而传统动力模式单次模拟需在超级计算机上运行数小时。这种效率优势为季节预报的技术创新提供了更多可能。

综上，ACE2 的系列预报结果充分证明，机器学习方法不仅适用于短期天气预报，更能为短期气候预测的技术突破与业务化应用提供新路径，为应对全球气候变化背景下的气候风险预警提供了重要技术支撑。

全球学术产业协同，AI 重塑气象预报

近年来，人工智能技术的迅猛发展正深刻改变气象预报领域，尤其在季节与气候预测方面展现出显著潜力，高校与科研机构在理论创新方面持续突破。例如，美国麻省理工学院（MIT）开发的 CERA 机器学习框架，为全球变暖背景下的气候预测提供了新路径。 该框架不依赖高温室气体情境下的标记数据，而是结合受控气候数据与未标记的暖气候输入，有效提升模型在未知气候状态下的泛化能力。CERA 不仅能够捕捉关键气候要素如湿气输送和能量循环的变化趋势，还能还原水汽的垂直结构与经向分布特征，并在极端降水的概率预报方面表现出较高准确性。

企业界则更注重推动技术落地与效率提升，致力于将机器学习模型集成至实际业务系统中。谷歌 DeepMind 开发的 GraphCast 模型，基于图神经网络实现了全球 10 天天气预报的分钟级生成， 其多项预报指标已超越欧洲中期天气预报中心（ECMWF）的传统数值模式，为灾害应急响应提供重要支撑。

英伟达则联合美国国家海洋和大气管理局（NOAA）等机构推出 FourCastNet， 依托傅里叶神经算子实现高分辨率全球建模，对极端天气的预测时效较传统方法提前 12–24 小时，为防灾减灾争取了更多应对时间。

展望未来，随着跨学科合作的不断深入、高质量多源气象数据集的完善，以及「物理约束+数据驱动」混合建模框架的持续演进，机器学习有望成为下一代气候预报系统的关键核心，为应对气候变化、保障农业生产和增强防灾能力提供更可靠的科学支撑。

参考链接：
1.https://mp.weixin.qq.com/s/Q5zJUwpeT88DvojgAA1afA
2.https://mp.weixin.qq.com/s/ZqlLWpoDSdFo82Qw44Sb3A

收录于