■ 贾朋群 唐伟 张萌
百年前现代气象科学建立之初的两个发展方向，即理查孙数值求解方程组和卑尔根学派基于物理定律向观测学习开展天气诊断预报，或许已经再次上演。两位主角，一方是理查孙的后辈，在查尼等人借助电子计算机使得NWP于1950年获得成功后，全球气象界一支最强大的天气气候模拟，并且开展走向地球系统模拟的研究和业务力量；
另一方则是刚刚兴起，借助AI技术试图再创以数据驱动为特征的全新NWP。
即将过去的2022年，是理查孙最早探索数值天气预报（NWP）的著作《数值过程天气预报》（Weather Prediction by Numerical Process，图1）发表100周年。1922年，英国人理查孙通过这部著作的发表，总结了他在第一次世界大战的硝烟中，如何通过计算，尝试预报天气变化的可行之路。这次没有成功的探索，却在科学和应用上，具有划时代的意义。NWP从那时起步，逐渐进入了人们的视野并成为很多气象学者终生探索的目标。
图1 《数值过程天气预报》封面
100年前，在理查孙尝试数值求解大气运动偏微分方程组的同时，包括现代气象学理论的提出者皮叶克尼斯在内的早期气象学家，却另辟蹊径，尝试基于物理合理性的简化，使用绘图工具进行“图形演算”。例如，1908年准平衡近似被提出，随后，大气正压假设等框架和针对大气点和线的物理近似，也相继被应用。这些起到简化作用的猜想或定律，如果从大气运动偏微分方程组的视角考量，在某种意义上具有了“过滤”方程的效果，并支持在获得方程组的解析解或数值解之前，以简驭繁实现“图解”天气过程，这与1950年查尼等基于正压涡度方程这一简化方程的数值解法首获NWP成功具有异曲同工之效。
气象观测数据首先带来的最珍贵的信息，是系统演变背后对其发展规律的感悟、认知和提出模拟模型，这样的初步“数据训练”或“数据驱动”的过程，在针对北半球主要天气系统——温带气旋的认识过程中具有很好的代表性。百年前，气象预报员的先驱基于稀疏的地面气象观测和更少的利用热气球和风筝等得到的高空气象观测，从这些数据的蛛丝马迹中不断挖掘，尝试提出和不断改进了温带气旋模型，开启了科学意义上的经验预报，为后续包括NWP的发展打下了基础（图2）。
图2 现代天气学伴随对温度气旋的认知发展历程回顾（1900—2000年）
善于向观测数据不断学习的卑尔根学派，在历史上几乎与理查孙发表手工数值天气预报著作的同时，于1920年代提出和不断完善了极锋理论，该理论基于20世纪初大气运动为物理初值问题的理论，定义了大气运动物质面上的主要特征，如冷暖峰、槽脊线等。当这些特征在不断完善的天气图上，与温度、气压等气象变量等值线碰撞，就构建了最初科学意义上的天气预报的基础。这样的基础，既有动力气象方程原理的神韵，而以数据驱动的观点看，更是基于对（按照科学原理）大气运动的观测结果，构建天气系统模型并利用模型预报天气的过程。在这里，大约100年前，现代动力气象的鼻祖，巧妙绕过了难以得到解析解的偏微分方程组，通过向观测数据学习，用天气图上不断丰富的各种物理量的观测和计算（如通量）、借助模型对复杂问题的简化（如涡度守恒、正压近似等），让现代动力气象学，在得到大气运动偏微分方程数值解前数十年，就被有效用于天气预报。
可以说，百年前现代气象科学建立之初的两个发展方向，即理查孙数值求解方程组和卑尔根学派基于物理定律向观测学习开展天气诊断预报，或许已经再次上演。两位主角，一方是理查孙的后辈，在查尼等人借助电子计算机使得NWP于1950年获得成功后，全球气象界一支最强大的天气气候模拟，并且开展走向地球系统模拟的研究和业务力量；
另一方则是刚刚兴起，借助AI技术试图再创以数据驱动为特征的全新NWP。再次的碰撞或许更加精彩，这是因为，不仅前次双箭齐发的共同“底蕴”犹在，而且，一方面，借助于大量数据而存在的ML等技术，“吃掉”的数据中大量依靠来自动力模式的输出数据；
另一方面，ML等新技术作为一种工具，还可以在完善动力模式，特别是在提高参数化精确度等方面带来突破。两者你中有我，我中有你的格局业已形成。
即将在2023年初举办的美国气象学会（AMS）年会，主题为“数据：驾驭科学、信息决策、充实人文（Data: Driving Science. Informing Decision. Enriching Humanity）”。这一主题的选择具有多方面的意义，其中的一个重点就是数据驱动科学的探究。今天，我们具有了百年前理查孙时代难以想象的数据，从数量质量、到数据的实时性、到数据的快速处理和应用。丰富的数据本身，已经可以通过挖掘数据，对其表征主体的演化规律加以认识的阶段，而当这种认识处于目前科学研究的空白或准空白时，这种挖掘和规律认知的新范式，无疑具有了更加重要和新方向的意义。
2022年，著名科学期刊《哲学学报A-数学、物理和工程科学》出版了“动力系统中的数据驱动预测”。该专辑的内容以及该刊2021年出版的其他相关主题专辑，如“物理流体动力学中的数学问题”“复杂系统中的传输现象”“天气和气候模拟的机器学习”等，从动力学、物理学、复杂系统、计算数学和气象科学等多个视角，全面介绍了ML为代表的AI技术对包括天气气候预测等不同领域，数据驱动模拟技术革命性的促进所涉及的各种科学问题。
南通传统文化中有许多提倡公民对他人、邻人积善行德的传说，而主人公的哪怕是很微小的不经意的善行都会得到足够好的回报。尽管其思想中浸润着特定的因果报应等封建迷信思想，在当下更多人文化知识逐步提升的情况下其接受的范围空间已经大幅度缩小。但作为一种服务他人不求回报的崇高品格确实值得人们去弘扬。
数据驱动在过去10年里受到越来越多的重视。一是因为传感器、信息存储等技术进步带来大量可用数据；
二是对更多复杂系统的认知过程中，迫切需要从数据中揭示潜在的物理原理或规则，特别是针对尚无法进行定量分析描述，甚至还没有找到描述的变量的系统，后者几乎成了唯一可能的手段。数据驱动的方法，包括无方程模拟、人工神经网络、非线性回归、经验动力学模拟、范式识别、非线性拉普拉斯分析和动力学自动推理等。我们在表1中列举了与NWP有关、以AI技术为特点的一般性动力系统解决方案的相关领域。
表1 动力系统的数据驱动相关领域
数据驱动预测研究在气象领域能够取得进步，是由于物理气象预报的目标系统，向着越来越复杂、规模或体量越来越大的方向快速转变，这样的系统受到更多的高维度、高复杂性和混沌行为的限制。此外，天气气候模式能力数十年的持续提升，让模式输出数据比肩甚至超越观测数据，为方便地利用各种AI技术从数据中提取动力规则、知识打下了基础。这时，AI技术在面对复杂问题的优势，如降维等技术就派上了用场。除了气象预报以外，还有数据驱动用于预测生态系统、流行病学系统、交通系统等各种复杂系统动力学中的关键转变和极端事件的例子。
这些通用的技术在大量动力系统的研究和应用中落地，涵盖了气象、生态、生物、交通和金融等大量看似形态各异的领域。其中，针对气象尤其关键的技术，如物理约束等，我们将在下节展开讨论。
沿着理查孙开辟的道路，借助现代计算机的出现，由冯•诺伊曼和查尼等于1950年最终让NWP取得成功。NWP技术随后先后“入驻”各国气象中心，逐步成为天气预报的主要工具。不仅如此，随着这类被称为基于第一原理（first-principle）的确定性模式预报能力持续提升，气象统计经验模型预报日渐衰落。
神经网络（NN）等ML技术的兴起，让气象统计经验模型又见生机。借助AI技术的统计经验预报是否会取代目前的NWP动力模式，或者二者之间更多地融合、促进，携手发展，成为21世纪第3个十年到来时，理查孙开创的事业百年是否有了新拐点的学科提问。
当深度神经网络等AI技术面对天气气候模拟和预报问题时，预测的时空尺度依然是绕不开的问题，尤其是时间尺度，反映了面对的天气气候系统，其复杂性的主要来源和应对的主要方向。对比相对成熟的NWP，目前AI技术渗透到NWP乃至地球系统预测领域，可以划分为硬AI、中度AI和软AI的三种介入方式（表2）。不同方式既表明了传统预报被“取代”的程度，也划分出AI技术和动力模式各自优劣的领域。未来NWP的“硬核”技术是否改弦虽然还不得而知，但这些与AI捆绑的新技术，每项都已经有很多应用的例子，诠释着数据驱动如何从3个层面，改变和改进当前的预报。例如，中等AI通过学习观测数据和模式输出数据，尤其是高分辨率的模式结果数据，一旦能够得到更好的模式组件，就有可能将目前还知之甚少的更多复杂物理过程，例如云物理过程等给出更好的表达（算法），从而减少模式系统中参数化代表的“灰色地带”，实现对尚无物理规律可循或半经验的大气过程相对准确的模拟。
表2 天气气候模拟中的硬AI、中度AI和软AI的介入
串联NWP动力模式与数据驱动的一个关键要素，是与物理约束相关的问题。确信使用的AI技术值得信任，这在气象预报相关研究和应用中尤其重要。针对更广泛问题时提出的PIML（physical-informed ML，有物理依据的ML）和其他类似概念，如PCNN（physicsconstrained neural networks，物理约束NN）等AI技术，是气象领域引入智能技术时的首选。这些概念中的PI或PC，是指对物理方程进行编码以得到残差，即动力系统的控制方程，也被AI吸纳和参与运算。而控制方程转化为损失函数，就让物理要素抵达AI核心。
在具体AI技术方案中，物理约束的程度，一般可以从NN的选择、物理知识的表达方式和物理信息的整合方法等划分，但添加了物理约束后，“硬AI”相对难以企及，这也是为什么在表2中硬AI涉及的领域，或者是“一瞬间”短临预报，或者是预报机理尚不清晰的季节预报的原因。而在地球系统中，人类尚没有掌握动力机理的过程，或大或小还有很多，因此硬AI的作用，依然不可限量。
我们今天纪念理查孙百年前完成的探索，其中一个重要的原因，就是当天气预报问题是物理初值问题已经被学界接受，但面对一组动力学和热力学非线性方程组而无能为力时，他巧用空间和时间分别离散化的方法，化解了困难，从而完成了气象学历史上一次最重要的、将气象科学带入现代化的研究范式的改变：即从理论走向数值模拟。
近年来，AI技术实际上已经开始为气象科学发展范式的下一个改变做好了准备。从ECMWF当前业务链已经和将要融入的ML要素（图3）来看，现代天气气候预报系统，尤其是包括多圈层耦合的地球系统预测，AI化已经呈势不可当之势。特别是，地球系统中除了表征其动力核心的大气环流模式以外，更多的过程是无法用物理定律描述，甚至是随机发生的（如火山喷发等），带来更高复杂性的耦合，也正是AI技术的优势领域。
图3 在ECMWF的观测、同化、预报和后处理环节计划、进行中和已经发布的融入了AI技术的内容
在20世纪初给出完整大气运动偏微分方程组的皮耶克尼斯，虽然没有实际尝试解这组方程来预报天气，但他在1914年还看不到高性能数值计算的曙光时就颇具前瞻性地指出：“只要（基于大气运动方程）计算与事实相符，就可以赢得科学的胜利”。他进一步用挖掘隧道进行比喻：人类挖掘穿越大山的隧道，许多工人可能无法活着见到隧道贯通，然而，这不会阻止后来者以特快列车的速度穿越隧道。如果说理查孙当年面对NWP发展隧道挖下第一铲，那么，今天更多后来者或许借助AI技术，改变隧道挖掘和加快进程的方式。虽然开始时可能存在诸多疑问，但面对AI技术在分析复杂数据、提取海量数据中的非线性关系和建立预测模型方面的强大优势，加上以数据再分析为代表的气象大数据方面的优势和考虑动力预报传统方法未来面临的后劲不足等，当前需要保持当年皮耶克尼斯的态度和前瞻视野，学习理查孙有了信念就动手实践，借AI技术曲尽原始动力方程之幽深，气象和大气科学以新范式迎接获得更大发展的未来，完全可期！
深入阅读
贾朋群, 2018. “他乡”或许不再是“异乡”——ECMWF“揭开灰色地带的谜底”学术会评介. 气象科技进展, 8(1): 299-302, 304.
许小峰, 2018. 从物理模型到智能分析——降低天气预报不确定性的新探索. 气象, 44(3): 341-350.
张萌, 贾朋群, 王小光, 2020. 人工智能技术在大气科学领域的应用及其发展态势. 科学观察, 15(1): 22-29.
Balaji V, 2021. Climbing down Charney’s ladder: machine learning and the post-Dennard era of computational climate science. Philosophical Transactions of the Royal Society A, 379, https://doi.org/10.1098/rsta.2020.0085.
Chantry M, Christensen H, Dueben P, et al, 2021.Opportunities and challenges for machine learning in weather and climate modelling: hard, medium and soft AI. Philosophical Transactions of the Royal Society A, 379(2194), https://doi.org/10.1098/rsta.2020.0083.
Cuomo S, Di Cola V S, Giampaolo F, et al, 2022. Scientific machine learning through physics–informed neural networks: where we are and what’s next. Journal of Scientific Computing, 92: 88.
Dueben P, 2022. Machine learning for weather and climate prediction, 7th ENES HPC Workshop, 9-11 May 2022, Barcelona, Spain.
Ghadami A, Epureanu B I, 2022. Data-driven prediction in dynamical systems: recent developments. Philosophical Transactions of the Royal Society A, 380: 20210213.
Kashinath K, Mustafa M, Albert A, et al, 2021. Physics-informed machine learning: case studies for weather and climate modelling. Philosophical Transactions of the Royal Society A, 379(2194), https://doi.org/10.1098/rsta.2020.0093.
Rudy S H, Brunton S L, Proctor J L, et al, 2017. Data-driven discovery of partial differential equations. Science Advances, 3(4): e1602614.
Schultz D M, Lynch P, 2022. 100 Years of L. F. Richardson’s Weather Prediction by Numerical Process,Monthly Weather Review,150(4):693–695.
猜你喜欢大气气象数值气象树作文周刊·小学一年级版(2022年24期)2022-06-18体积占比不同的组合式石蜡相变传热数值模拟煤气与热力(2022年2期)2022-03-09宏伟大气，气势与细腻兼备 Vivid Audio Giya G3 S2家庭影院技术(2021年8期)2021-11-02数值大小比较“招招鲜”中学生数理化·高一版(2021年11期)2021-09-05《内蒙古气象》征稿简则内蒙古气象(2021年2期)2021-07-01铝合金加筋板焊接温度场和残余应力数值模拟舰船科学技术(2021年12期)2021-03-29如何“看清”大气中的二氧化碳学生天地(2020年18期)2020-08-25大国气象领导决策信息(2018年46期)2018-04-20美丽的气象奇观百科探秘·航空航天(2017年11期)2017-12-20大气古朴挥洒自如河北书画研究(2016年2期)2016-08-24