安全应急
1996 年上映的知名冒险灾难片《龙卷风》中，主角为了对龙卷风进行深入的研究，将探测设备亲身带入到龙卷风中心，以实现实时的数据记录。
受这部电影启发，澳大利亚气象学者 Joshua Soderholm 及 Julian Brimelow 一起开始了自己的追风之旅，并成功将小型天气传感器冰探 (hailsonde) 带入了雹暴 (hail storm)，以收集雹暴当中的气象数据，变革极端天气的研究方法。
图 1：电影《龙卷风》剧照
冰探的形状与冰雹类似，重约 24 g。它们和气球连在一起，被一同释放到雹暴当中。进入雹暴中心后，二者分离，冰探就和冰雹一样，经历冰雹在雹暴中的轨迹，并记录冰雹在雹暴中移动的生长条件。此外，冰探还记录到了显著的冰增长，并跟随超级单体的中气旋旋转了半圈。
图 2：两个冰探在雹暴中的轨迹
「起初这只是一个课余项目。当时我们想试一下能否利用现有的技术，制造出一个电影中的设备。为确保冰探能够在雹暴的极端条件中生存下来，制作过程中我们解决了很多工程问题。」 Joshua Soderholm 说道。
图 3：冰探的结构，3D 打印的零件、电池及其他电子器件被封装在聚苯乙烯外壳中
「从雹暴中心收集数据就像是追寻气象学中的白鲸，既危险又令人着迷。从雹暴中心收集得到的数据，将会提升我们模拟雹暴的能力，并为冰雹在雹暴中的行为提供直接证据。但这没有听起来那么容易，它需要你在正确的时间出现在正确的位置，还得遇上正确的雹暴。」
在几天的坏运气之后，他们撞上了一个超级单体，并成功将两个冰探放进了雹暴中。超级单体是一种水平尺度达十几千米，生命期达几十分钟到数小时，比普通的成熟单体雷暴更巨大、更持久、天气更为剧烈的单体强雷暴系统。冰探被超级单体捕获之后，与气球分离，之后像冰雹一样随雹暴漂浮，最终被时速超过 120 km 的风带到了 7 km 外的区域。
图 4：Joshua Soderholm 在放飞冰探
令人捉摸不透的天气系统
气象预测离不开人的参与。即使利用超级计算机，借助卫星数据和雷达数据，我们依然很难对气象系统做出准确的预测。1961 年，美国的气象学家爱德华·诺顿·洛伦茨 (Edward Norton Lorenz) 尝试用计算机程序预测未来的天气。
在得到结果之后，他将程序在中间步骤的输出值，作为下一个步骤的输入值，再次运行了程序。然而，由于输入值只保留了 3 位小数，而程序是以 6 位浮点数运行的，这千分之一的偏差使得程序的输出值和上次得到的结果完全不同。
据此，他提出了混沌系统这一概念。气象系统就是典型的混沌系统，它并非完全的随机，但很容易因某个因素的变化而发生剧烈的变化。也就是说，气象系统是一个很敏感的系统。
「蝴蝶效应」就是一个夸张但又典型的例子，一只南美洲热带雨林的蝴蝶扇动两下翅膀，就可能为美国带来一场龙卷风。这一切的源头，就是蝴蝶扰动了系统的初始变量。
图 5：蝴蝶效应
因此，天气的预测很难实现完全准确。现有的气象预测方式，也就是数值天气预报 (NWP)，首先会将预测区域划分为网格，之后利用超级计算机通过数值模拟求解偏微分方程获得。
这一方法耗时很长，即使是使用有上百个节点的超级计算机，对未来 10 天的天气进行预测也需要花费数个小时。同时，受网格分辨率的限制，一些小尺度的气象过程会被近似函数参数化，为气象预测带来误差。
正因为此，对于小尺度的极端天气和中长期的气象预测，NWP 很难做到完美。今年的 5 号台风杜苏芮生成后，不同机构基于不同的模型利用超级计算机进行了路径预测，结构大相径庭。即使是同一模型做出的预测，也在随着气象条件的变化不断进行修正，直到台风登陆前才能做出相对准确的预测。
之后的 6 号台风卡努，走位也很独特，在太平洋上突然转弯，然后开始漫步，最后直击日本，让超级计算机也一头雾水。
图 6：全球集合预报系统 (GEFS) 对 2023 年 6 号台风卡努的路径预测，可谓天花乱舞
同时，由于各个机构做出的气象预测千差万别，天气的预测还需要预报员的参与。预报员会综合所有的气象预测结果，并结合当地的气候特点、地形条件、个人经验等，做出最终的天气预报，但依然不能保证完全正确。没办法，气象系统就是这么的捉摸不透。
图 7：1986 年 16 号台风韦恩路径图
极端气象的追逐者
小尺度的超级单体更是中长期天气预报的一条漏网之鱼。超级单体的特点就是形成快、难预测，易形成雷暴、冰雹、强降雨或龙卷风等极端天气。
2021 年 8 月 16 日晚，北京市海淀区遭遇超级单体，突降暴雨。旱河路铁路桥桥下积水在 30 分钟内涨到 1.75 米，导致 2 人死亡。2023 年 8 月 13 日下午，江苏省盐城市大丰区遭遇龙卷风，造成 2 人死亡，15 人受伤。这场龙卷风的形成也与超级单体有关。
图 8：盐城大丰区龙卷风
然而，雷暴、冰雹、龙卷风等壮观的气象景观，可以让探险者们大饱眼福，也因此吸引了很多像 Soderholm 这样的追风者。每当台风来临，或是附近有超级单体将要形成时，追风者们就会做足准备，向风暴奔去。
同时，作为极端天气的第一见证者，追风者们还可以收集到极端天气的第一手信息，为气象研究提供宝贵的材料，丰富现有的计算模型和 AI 模型的数据库，为气象学的发展做出重要贡献。
媲美 NWP 的气象大模型
早在 2021 年，阿里云就透露称，达摩院与国家气象中心联合研发了 AI 算法用于天气预测，并成功预测了多次强对流天气。同年 9 月，Deepmind 在《Nature》上发表文章，利用深度生成模型进行降雨量的实时预报。
今年年初，Deepmind 正式推出了 GraphCast，可以在一分钟内对全球未来 10 天的气象，进行分辨率为 0.25° 的预测。4 月，南京信息工程大学和上海人工智能实验室合作研发了「风乌」气象预测大模型，误差较 GraphCast 进一步降低。
随后，华为推出了「盘古」气象大模型。由于模型中引出了三维神经网络，「盘古」的预测准确率首次超过了目前最准确的 NWP 预测系统。近期，清华大学和复旦大学相继发布了「NowCastNet」和「伏羲」模型。前者在短时极端天气预测上大有作用，后者则将预测时长延长到了 15 天。
图 9：「盘古」模型和 ECMWF 对 2018 年 25 号台风康妮（图 a）和 26 号台风玉兔（图 b）的路径预测。
红色：「盘古」模型的预测
蓝色：ECMWF 的预测
黑色：实际情况
可以看到，气象预测大模型在预测精度和预测时间上都在不断逼近，甚至部分超过了传统的 NWP 分析模式。同时，相比于 NWP ，AI 大模型的气象预测需要的设备条件更低，花费时间也更短。仅用一张 Google TPU v4，GraphCast 就可以在分钟之间预测出未来的天气。
然而，现有的 AI 大模型只能通过学习过去的气象数据，对未来的气象进行预测。因此，在极端天气和突发天气的场景中，大模型还需要其他算法的辅助，更离不开人的参与。此时，活跃在风暴中心的追风者们提供的气象数据对 AI 大模型的优化则显得更为重要。人类与大模型携手，定能拍出一部优秀的「追风者也」。
【我们尊重原创，也注重分享。版权原作者所有，如有侵犯您的权益请及时联系，我们将第一时间删除。分享内容不代表本网观点，仅供参考。】