机器学习vs.数值天气预报，AI如何改变现有的天气预报模式（一）
数值天气预报是天气预报的主流方法。它通过数值积分，对地球系统的状态进行逐网格的求解，是一个演绎推理的过程。
然而，随着天气预报分辨率不断升高，预报时间逐渐延长，NWP模式所需要的算力迅速增加，限制了其发展。另一方面，以人工智能为基础的数据驱动天气预报快速发展，在部分领域已经超越了传统方法。
现有的机器学习天气预报精度如何？人工智能又将如何改变天气预报？本文对比了几大数据驱动的机器学习天气预报模型后，对天气预报的未来发展作出了展望。
（一）数值天气预报：450亿偏微分方程组
数值天气预报(NWP,Numerial Weather Prediction)是天气预报领域的主流方法。早在20世纪初，Abbe和Bjerknes就提出人们可以使用物理定律预测天气，以当前的天气状况为初值，进行积分便可以求解未来的天气。但彼时对气象学的研究还不够深入，计算水平也相对落后，这一设想未能实现。
1950年，普森林顿大学首次尝试使用第一台电子计算机进行了天气后报。1954年，在斯德哥尔摩首次实现了实时的天气预报。
图1在每个网格单元中求解基于物理定律的微分方程组
直到20世纪70年代，超级计算机问世，人们方能求解Abbe和Bjerknes提出的整套方程。1979年，欧洲中期天气预报中心(ECMWF)编制了首份中期天气预报，开启了综合预报系统(IFS,Integrated Forecasting System)的篇章。
然而，EdwardN.Lorenz总结前人的经验，提出天气系统是一个混沌系统，会因变量的细微变化而发生巨大的改变。另一方面，人们对于气象系统的初始状态也很难完全掌握。为此，学界使用集合预报(Ensemble Forecasting)以最大限度降低初始参数和预测模型的不确定性，预测结果的集合即为概率预报的基础。
图2降水概率的集合预报示意图
随着数值模型、超级计算、数据同化和集合预测等技术的发展，数值天气预报的精度不断提高，预测时间也由3天、5天逐渐提升至7天甚至10天。
图3南、北半球(SH,NH)的天气预报技术随时间的演进
目前，欧洲中期天气预报中心的预报模式需要对每一水平层的200万个网格，以10分钟的步长进行10天的预报，每天运行2次。因此，他们需要在2.5小时内，完成约400亿个网格的运算，需要很高的计算成本。
高昂的计算费用阻碍了数值天气预报方法的进一步发展。如何在模型分辨率和集合规模之间找到平衡，成了限制集合预报的桎梏。