- DL4MCS 項目旨在結合深度學習與傳統氣象模型。
- 該項目專注於改善中尺度對流系統的預測準確性。
- 研究將檢視影響風暴的廣泛氣候模式及雲尺度過程。
- 提前預測風暴風險可幫助社區和行業做好準備。
預測幾週後的重大雷陣雨爆發對氣象預報員而言仍然是一項重大挑戰。美國能源部支持的一個新項目正在探索結合深度學習與傳統氣象模型是否可以為這些強烈的風暴系統提供更早的警告。Planette AI、太平洋西北國家實驗室（PNNL）及懷俄明大學正在共同合作這個名為 DL4MCS 的項目。該項目是能源部創新任務第一階段計劃的一部分，專注於預測美國本土的中尺度對流系統（MCS）。
MCS 事件是大型雷陣雨羣，可以延伸至數百英里，並可能帶來破壞性的風、強降雨、洪水及其他嚴重天氣。它們也佔據了美國暖季降雨的相當一部分。
問題在於，導致這些系統的氣象條件可能會在較長時間內演變，而風暴本身則是由運作在較小尺度的過程所驅動。這使得現有的預報系統難以準確預測 MCS 活動超過一週的時間。DL4MCS 將探討深度學習是否能夠通過與基於物理的預報模型協同工作來縮小這一差距。研究人員將目標定位於約七天至六週的預報窗口，這稱為亞季節預報。這個項目的主旨並不是用機器學習系統取代現有的氣象模型，而是測試計算方法是否能夠從現有預報中提取有用的模式，並改善 MCS 事件何時及何地可能發生的預測。
結合氣象專業知識
研究團隊將檢視不同尺度的氣象條件，從可能影響風暴形成的廣泛氣候模式到決定風暴演變的雲尺度過程。Planette AI 的創始人兼執行長 Dr. Hansi Singh 表示：「DL4MCS 反映了 Planette AI 對提供更具行動性的環境情報以支持高風險決策的承諾。通過結合最先進的 AI 和經過驗證的物理預報系統，該項目旨在使提前幾周的風暴風險信息對依賴更好預見的行業和社區更具實用性。」
PNNL 將帶來在地球系統建模和評估大氣過程方面的專業知識，而懷俄明大學則專注於區域建模和下尺度處理。這一點非常重要，因為大型氣象模型通常在解析度上過於粗糙，無法捕捉到當地風暴預報所需的所有細節。
「改善中尺度對流系統的預測需要在不同尺度上取得進展，從大型氣候驅動因素到塑造風暴行為的雲微物理過程。」PNNL 的大氣科學家 Dr. Susannah Burrows 表示。「這一合作將地球系統建模、AI 和過程級模型評估的互補優勢結合在一起，以探索通向更好亞季節預報的新途徑。」懷俄明大學的貢獻將包括將大型預報轉換為更高解析度的信息，使其在區域層面上更具相關性。
懷俄明大學的 Derecho 教授 Dr. Stefan Rahimi 表示：「懷俄明大學對能夠貢獻其在區域下尺度處理方面的專業知識及其與 AI 預報的負責任整合感到興奮。」
改善預測的潛在好處
「將粗糙的大型預報轉換為更高解析度、與決策相關的指導對於改善實際世界的準備和韌性至關重要。」如果這一方法奏效，所帶來的好處可能不僅僅是更準確地預測風暴。提前顯示出升高的風暴風險可能會給公用事業公司更多的時間來準備中斷，幫助保險公司評估潛在的風險，並使社區能夠為嚴重天氣和洪水做好計劃。該項目也是美國能源部更大努力的一部分，旨在利用先進計算和機器學習解決仍然難以用傳統方法解決的科學問題。
創新任務將政府、行業和學術研究人員聚集在一起，開發包括能源、科學和國家安全在內的新方法。
對於 DL4MCS 而言，眼前的目標雖然較窄但潛在意義重大：確定更好地利用現有物理預報是否能使重大雷陣雨系統在幾周前變得更可預測。該項目得到美國能源部創新任務第一階段計劃的支持。
深度學習對氣象預報的影響
DL4MCS 項目代表了氣象預報領域的一次重要創新，透過結合深度學習技術，旨在提升對中尺度對流系統的預測能力。這類系統的預測通常因氣象條件複雜而困難，然而，若能成功將深度學習應用於現有的物理模型，將可能顯著改善預報的準確性，並為相關行業提供更及時的風險信息。這不僅能提升社區的應對能力，還能促進整體公共安全。