|
|
https://mp.weixin.qq.com/s/iNvpYexrtkT7cQRBroUAjw
原创 阿宗的科研备忘
上周，我们去中央台和北京台调研AI模型和智能体的研发与应用情况，发现了一个有趣的现象：很多看起来非常复杂、让人摸不着头脑的深度学习模型，其实可以通过数值天气预报的思路来帮助我们理解。这种对标式理解的方法，不仅可以让这些模型变得更加直观，也有助于我们气象人更好地理解深度学习的建模思路和应用。
比如，会上我们聊到可以针对“风清”模型开发其在江苏本地化的适配模型。听到“适配模型”这个词，你是不是也有点懵？对此，DeepSeek给出的定义是：“大模型的适配模型（Adapted Model）是在通用基础模型的基础上，通过特定技术手段进行调整和优化，使其更适应具体任务或领域需求的派生模型。”
看完这个定义，大家可能依旧一头雾水，甚至感觉更迷茫了。。。但是！如果把它类比为“动力降尺度”，是不是一下子就恍然大悟了？我们可以将“风清”模型类比为全球气候模式，它的特点是覆盖范围广，但分辨率较低（一般为0.25°）。通常情况下，我们会使用区域气候模式（如RegCM系列）将全球模式嵌套，进行动力降尺度，从而得到更高分辨率的气象要素场。而这个区域模式，正好就对应了“深度学习适配模型”——通过调整基础模型的结构，使其更好地适应特定的下游任务。
事实上，从数值模式到深度学习，它们在数据处理流程方面有着许多相似之处，毕竟，它们的本质都是数学建模。
数值预报模式的核心，是将大气物理过程数学化，通过求解一组复杂的方程来预测未来的天气状况。气象专家在使用数值模式时，需要理解这些方程背后的物理原理，并根据实际观测数据调整模型参数，最终获得较为精准的预测结果。
而深度学习模型的训练过程与之类似，虽然核心原理不同，但同样是通过大量数据训练来“拟合”出复杂的模式。具体来说，深度学习的输入数据可以是历史气象数据、卫星图像、雷达回波等，而输出则是我们关心的天气要素，如温度、降水量、风速等。通过反向传播算法，深度学习模型会不断调整自身的参数，逐步逼近最佳的预测结果。
虽然两者的数学基础不同，数值模式更多依赖物理方程，而深度学习模型则通过数据驱动的方式来学习，但二者的核心思想是相通的：从输入数据出发，通过模型的优化过程，获得对未来气象的准确预测。
所以，这种“对标式”理解深度学习的例子也很多，比如：
1、数据预处理：数值模式中的数据同化 VS 深度学习中的数据清洗
在数值模式中，气象数据的同化技术至关重要。我们通过同化观测数据（如卫星、雷达和气象站数据），将这些实时的、实际的观测信息整合进模式中，以便生成更准确的初始条件。
这就像深度学习中的数据清洗与预处理过程：我们会对数据进行去噪、归一化或标准化，以确保模型训练时能处理到高质量的信息，避免噪声影响模型的预测效果。
2. 模型的初始化：数值模式中的边界条件 VS 深度学习中的模型初始化
在数值预报中，边界条件决定了预报的准确性。比如，地面温度、海洋表面温度等边界条件的精确设定会直接影响天气模型的预报效果。
深度学习中也有类似的概念——模型的初始化。模型参数的初始值如果设置得不好，训练效果会变得不稳定，甚至会陷入局部最优解。因此，合理的初始化策略是成功训练深度学习模型的前提。
3. 模型优化：数值模式中的调参选参 VS 深度学习中的超参数调优
在数值模式中，我们经常需要调整模型的参数，比如时间步长、网格分辨率等，以及选择合适的物理参数化方案，来优化预报的结果。
深度学习模型也有类似的调参过程，特别是超参数的选择（如学习率、批次大小、隐藏层数量等）。这两个领域的“调参”过程，都是在优化模型的预测能力，精细调整后能带来更高的预测精度。
4. 模型评估：数值模式的预报验证 VS 深度学习的模型评估
数值预报模型的好坏，通常通过与实况的对比验证，检查BIAS、TS、RMSE等预报评分来评估预测效果。
同样，在深度学习中，我们也需要通过验证集、测试集来评估模型的表现，并根据误差（如MSE、精度等）来衡量预测的准确性。无论是哪种方法，最终目的是通过评估来了解模型的性能，进而调整和优化。
5. 场景适应：数值模式中的区域模式 VS 深度学习中的适配模型
就像前文提到的，我们通过区域模式对全球模式进行适配，使其在特定地区得到更高的分辨率和精度，深度学习中的适配模型也是通过调整基础模型，使其适应特定应用场景。这种调整，不仅仅是模型结构上的微调，也可能涉及到训练数据的选择、损失函数的设计等，确保模型能够在实际应用中表现得更加精准和高效。 |
|
发表于 2025-8-11 15:52:29