作者：王姵文
隨著氣候變遷問題日益嚴峻，各界對於AI技術在氣候科學中的應用充滿期待。近來，多家科技公司也紛紛推出了自己的氣象和氣候AI模型。
輝達與中央氣象署合作開發的生成式AI模型「CorrDiff」
輝達與中央氣象署合作開發的生成式AI模型「CorrDiff」，能透過AI將氣象資料解析度從25公里降至2公里，與傳統模式相比，更可讓單次推理速度提高1000倍、能耗減少3000倍。而這款模型，也在7月份的凱米颱風首度發揮功用，如今成為氣象署的助手。
CorrDiff偉大的地方在於，這是第一次可以用AI去生成出這麼細緻的氣象資料。雖然CorrDiff尚未觸碰到最核心的氣象「預報」，但已經為氣象領域應用AI跨出了重要一步。
全球氣象資料都是使用25公里解析度的資料進行訓練，台灣因面積太小，難以直接用其來處理天氣現象。用CorrDiff來「降尺度」（也就是提高解析度）的重要性由此而生。事實上，過去並非沒有降尺度的方法，但傳統的「統計降尺度」、「動力降尺度」，兩者都有不足之處。
中央氣象署署長程家平程家平說明，由於大氣現象非常複雜，如小尺度的雷陣雨和大尺度的鋒面系統會交互影響，地形也會產生干擾，這些皆為「非線性現象」，但統計降尺度只能處理單純的線性資料，就會產生預測不夠精準的問題。
動力降尺度雖然足以處理非線性資料，卻難在需耗費非常大量的電腦運算資源和時間成本，「這就是為什麼AI降尺度的方式會被凸顯出來，」程家平強調，「它既可以處理很多非線性資料，又不用花那麼多時間、資源。」
以CorrDiff來說，便是由氣象署提供四年份、以每小時計的2公里氣象資料，共含四個變數，而輝達則拿出25公里氣象資料，並負責演算法及提供超級電腦運算資源，採「監督式學習」（Supervised learning）進行訓練，共同打磨出這款模型。
Google推出AI氣象預報模型「NeuralGCM」
Google也推出人工智慧的氣象預報模型，並表示該公司的AI天氣模擬器，速度比傳統預測模型快3,500倍，而且成本驟減10萬倍。
Google Research的「NeuralGCM」將機器學習與傳統預測方式相結合，而且NeuralGCM還能透過AI，從現行的氣候資料中學習。採用AI可補足傳統預報的缺點，可準確多霧地區等天候狀況，傳統模型在這方面表現較差。
Google表示，NeuralGCM比大氣物理模型X-SHiELD快逾3,500倍，X-SHiELD模擬得花20天，NeuralGCM只需8分鐘。另外，X-SHiELD須使用搭載1.3萬顆中央處理器（CPU）的超級電腦，NeuralGCM僅須內建一顆張量處理器（TPU）的電腦，運算成本將可因此減少10萬倍。
NeuralGCM著重長期預測能力。研究人員正在開發功能，盼能提前一年預測颶風，以便及早準備。
NASA與IBM攜手打造AI氣候模型
美國國家航空暨太空總署（NASA）與IBM研究部門合作推出了一款名為「Privthi-weather-climate 基礎模型」的先進人工智慧模型，Privthi-weather-climate 基礎模型是基於NASA的「現代時代回顧分析研究與應用」（MERRA-2）數據進行訓練的，這些數據涵蓋了大量的氣象和氣候資訊。作為一個基礎模型，它能夠提供不同功能以滿足氣象學家和氣候活動家的需求，進而促進AI技術在這些領域的應用。
這款模型的開發將使研究人員能夠進行更準確的長期氣候預測和短期天氣預報。透過其強大的計算能力，模型能夠在數周之前識別即將發生的自然災害，如颶風或海嘯，這對於減少損害和挽救生命至關重要。早期測試表明，這一模型在預測的地域精確度上有所提升，並在影像品質上也有顯著改進，這將有助於提供更為細緻的預報。
(圖片來源)
小結
隨著AI技術的快速發展，氣象預報正迎來前所未有的變革。各種AI模型的應用，不僅提升了數據分析的精確度，也使得氣象預報的時效性和準確性大幅提高。
