Nature子刊，上智院、復旦、中國氣象局研發次季節AI大模型「伏羲」，突破「可預報性沙漠」

編輯 | ScienceAI

國務院印發的《氣象高質量發展綱要（2022—2035 年）》明確提出要「提前一個月預報重大天氣過程」，而這離不開 15 天以上的次季節氣候預測技術。

次季節氣候預測關注的是未來 15~60 天的氣候異常，可以為農業、水利、能源等領域的生產安排提供重要支撐。

相比時效在兩週以內的中短期天氣預報，次季節氣候預測的不確定性更大。它不僅需要考慮初值問題，還要考慮邊界強迫的影響，預測來源更為複雜，預測技巧也較少。因此，次季節氣候預測一直被稱為「可預報性沙漠」，

由於其複雜性，甚至連 AI 大模型在時間尺度上的表現亦長期未能超越傳統模型。

為了解決這個問題，上海科學智慧研究院（簡稱上智院）、復旦大學、中國氣象局國家氣候中心聯合研發了「伏羲」次季節氣候預測大模型（FuXi-S2S) ，首次超越傳統數值預報模式的標杆 —— 歐洲中期天氣預報中心（ECMWF）的 S2S 模式。

近日，該成果以「A Machine Learning Model that Outperforms Conventional Global Subseasonal Forecast Models」為題的論文，被國際權威綜合性期刊《Nature Communications》雜誌收錄發表。

作為一種機器學習模型，「伏羲」次季節氣候預測大模型包含較為全面的變數：13 個氣壓層的 5 個高空大氣變數和 11 個地面變數。其獨特之處在於能夠快速有效地生成大型集合預測，在大約 7 秒內完成長達 42 天的全球日平均預報。

這些預測資訊對於農業規劃、資源管理、災害準備，以及抵禦熱浪乾旱、寒潮洪水等極端天氣事件至關重要。

「伏羲」次季節氣候預測大模型在技術上實現了兩個關鍵性創新：

一是引入了海氣相互作用過程，特別是將熱帶大氣季節內振盪（MJO）這個次季節最重要的可預報性來源納入模型；

二是在隱空間中創新性設計了智慧擾動生成模組，從而可以在當前氣候系統狀態下刻畫未來一個預報時次氣候系統演變的機率特徵，進而有效抓住氣候系統的物理不確定性。

這些技術突破使得該模型對降水的全球預測能力顯著提升，尤其在我國長江中下游地區等熱帶外地區更為顯著。

MJO 是一種週期性的大氣環流模式，其影響範圍從熱帶到中高緯度地區。預測 MJO 可以幫助氣象學家和氣候學家更準確地理解和預測未來數週到數月內的降水模式、風暴活動、溫度變化，以及乾旱和洪澇等極端天氣事件的發生。

「伏羲」次季節氣候預測大模型有效提升了對 MJO 的預測技巧，將 MJO 的預測技巧達到了 36 天，大幅超過了 ECMWF 的 S2S 模式的 30 天時長。

此外，「伏羲」次季節氣候預測大模型還可以透過構建顯著圖 (Saliency map) 識別導致極端事件發生的潛在資訊，這一能力在預測 2022 年巴基斯坦洪水期間的極端降雨方面得到了驗證。

具體過程為，首先定義一個損失函式，例如下圖綠色方框標出的巴基斯坦平均降水異常百分率，保持模型引數固定，然後透過反向傳播求解梯度最終輸出輸入影像畫素的梯度，來反映輸入氣象要素對於巴基斯坦降水異常百分率的正相關和負相關作用。

憑藉「伏羲」次季節氣候預測大模型強大的預測能力和前兆訊號識別能力，可以為應對極端天氣事件提供有效的工具和策略。

展望

以往，全球僅有少數國家能夠研發並實時執行傳統數值預報模式，其研發和執行需要大量人力和計算資源，且依賴超級計算機上成千上萬的 CPU。

如今，伏羲氣象大模型等基於人工智慧的模型在訓練完成後執行速度更快，計算資源需求更少，為發展中國家提供了更可承受的選項。

人工智慧在氣候變化風險管理領域也擁有廣闊的發展空間。它能夠改變氣候科學的研究正規化，突破傳統模式的侷限性，實現更精細的空間解析度和更長時間尺度的精準氣候風險預報。此技術將廣泛應用於極端氣候預測、交通運輸、保險、新能源、期貨交易、城市規劃等多個產業領域。

目前，「伏羲」次季節氣候預測大模型仍有提升空間，例如其空間解析度為 1.5 度，與 ECMWF 次季節模式的 36 公里的空間解析度相比仍相對粗糙，目前預報的是日均氣溫、缺少日最高溫度和日最低溫度等。

此外，「伏羲」次季節大模型還在探索把最高氣壓層從當前的 50hPa（百帕）提升到 1hPa 甚至是臨近空間，賦能更多應用場景。

作者簡介

上智院研究員陳磊，復旦大學人工智慧創新與產業研究院博士後仲曉輝，以及中國氣象局氣候研究開放實驗室吳捷副主任為論文共同第一作者。上智院院長、復旦大學浩清特聘教授漆遠，上智院科研副院長、復旦大學人工智慧創新與產業研究院研究員李昊，以及中國氣象局氣候研究開放實驗室研究員陸波為論文的共同通訊作者。

全體作者：Lei Chen, Xiaohui Zhong, Hao Li#, Jie Wu, Bo Lu#, Deliang Chen, Shang-Ping Xie, Libo Wu, Qingchen Chao, Chensen Lin, Zixin Hu & Yuan Qi#（標#的為通訊作者）