https://mp.weixin.qq.com/s/nEGOfWXK5E3Hz-aHA22U9Q
原创 海洋遥感学习 海洋遥感学习 2026年1月29日
Allen, A., Markou, S., Tebbutt, W. et al. End-to-end data-driven weather prediction. Nature 641, 1172–1179 (2025). https://doi.org/10.1038/s41586-025-08897-0
2025年，剑桥大学的研究团队在《自然》杂志发表了一项突破性研究。由Anna Allen和Stratis Markou共同领导的团队开发了名为Aardvark Weather的端到端数据驱动天气预报系统，首次实现了完全独立于传统数值天气预报（NWP）的机器学习预报方案。
传统天气预报系统依赖复杂的数值求解器链，需要超级计算机运行数据同化、流体力学方程求解和后处理等多个步骤。Aardvark Weather通过单一深度学习模型，直接从原始观测数据生成全球网格预报和局部站点预报，在部署时完全不需要NWP产品作为输入。
图1：Aardvark Weather的数据来源和运行机制。系统整合了遥感观测（上排）和地面站点、海洋平台、探空仪等现场观测（下排），通过编码器模块估计初始大气状态，处理器模块生成预报，解码器模块输出局部预测。
研究团队使用了来自多个数据源的观测信息，包括散射计、微波和红外探测仪、高光谱红外探测仪以及地面站点、船舶和探空仪数据。值得注意的是，Aardvark仅使用了约8%的传统NWP系统可用观测数据，数据量减少了一个数量级以上。
小知识：什么是数据同化？
数据同化是天气预报的关键步骤，类似于拼图游戏。气象学家需要将来自卫星、地面站、探空仪等不同来源的观测数据"拼"在一起，形成一幅完整的大气状态图。传统方法需要复杂的数学算法，而Aardvark通过深度学习自动学习如何整合这些数据。
在计算效率方面，Aardvark展现出显著优势。在四块NVIDIA A100 GPU上，生成一次完整预报仅需约1秒，而欧洲中期天气预报中心的高分辨率系统（HRES）进行数据同化和预报需要约1000节点小时。这意味着计算成本降低了数个数量级。
图2：Aardvark在全球网格预报中的性能表现。系统在多个变量和提前期上达到或超越了操作NWP基线的性能，包括2米温度、10米风速、海平面气压等表面变量，以及850百帕温度、700百帕风速、比湿和500百帕位势等高层大气变量。
在预报准确性方面，Aardvark在全球网格预报中表现优异。对于多个变量和提前期，Aardvark的误差低于或接近操作NWP系统。特别是在大多数变量上，Aardvark接近HRES的性能水平，并在多个提前期上匹配或超越了全球预报系统（GFS）。
小知识：天气预报的提前期是什么意思？
提前期（lead time）是指从预报发布到预报时间点之间的时间间隔。例如，提前期为24小时意味着预报的是明天同一时刻的天气。提前期越长，预报难度越大。Aardvark能够提供长达10天的有技能预报。
在局部站点预报方面，Aardvark同样展现出竞争力。系统能够为全球任意站点位置生成2米温度和10米风速预报，在长达10天的提前期内保持预报技能。在美国本土、欧洲、西非和太平洋等不同地区，Aardvark的表现与后处理的全球NWP基线和最先进的端到端操作预报系统相当，在某些地区甚至更优。
图3：Aardvark对10米东向风速（U10）的网格预报示例。系统成功捕捉了大尺度大气特征，包括中纬度和热带地区的气象模式，甚至准确预测了2018年1月15日在马达加斯加海岸附近达到峰值强度的热带气旋Berguitta的形成和位置。
研究还展示了端到端调优的潜力。通过针对特定变量和区域优化整个系统，Aardvark在温度预报上实现了3-6%的误差降低，在风速预报上实现了1-2%的改进。这些改进虽然看似微小，但考虑到IFS系统的最新周期更新仅带来2-6%的改进，且需要大型科学家团队超过一年的开发时间，Aardvark的快速优化能力具有重要意义。
小知识：为什么天气预报需要超级计算机？
大气是一个复杂的流体系统，包含无数相互作用的变量。传统数值天气预报需要求解描述大气运动的偏微分方程，计算量巨大。即使使用最先进的超级计算机，一次全球预报也需要数小时。Aardvark通过机器学习大幅降低了这一计算负担。
这项研究的突破意义在于，它首次证明了完全端到端的数据驱动预报系统是可行的。Aardvark不仅速度快、成本低，还更容易改进和维护。在传统NWP系统中，添加新模块（如新的参数化方案）需要团队花费大量时间构建和集成，而端到端系统可以优雅地绕过这一问题。
展望未来，Aardvark Weather有望成为新一代端到端天气预报系统的起点。系统可以扩展到支持更多预报变量，通过不同的解码器模块提供飓风、洪水、强对流、火险天气等极端天气预警。此外，端到端系统还有潜力在更长的时间尺度上生成季节预报产品。随着更多观测模态的加入，系统还可以建模地球系统的其他组成部分，如用于空气质量预报的大气化学和用于海洋预报的海洋参数。
对于资源有限的地区，Aardvark尤其具有吸引力。许多发展中国家的气象机构缺乏运行传统NWP系统的资源和专业知识，而Aardvark的简单部署和维护特性，以及为特定区域和变量定制模型的能力，为这些地区提供了新的可能性。
Reference: https://doi.org/10.1038/s41586-025-08897-0 | 
发表于 
