Generative AI to quantify uncertainty in weather forecasting

1972年12月，在华盛顿特区举行的美国科学促进会会议上，麻省理工学院气象学教授Ed Lorenz发表了一场题为“巴西一只蝴蝶扇动翅膀会引发德克萨斯州的龙卷风吗？”的演讲，这促成了“蝴蝶效应”一词的诞生。他基于自己1963年那篇具有里程碑意义的论文进行了进一步阐述，在该论文中他探讨了“超长期天气预报”的可行性，并描述了当使用数值天气预报模型随时间进行积分时，初始条件中的误差如何呈指数增长。这种指数级误差增长被称为混沌，它导致了一种确定性的可预报性极限，限制了单个预报在决策中的使用，因为这些预报并未量化天气条件的内在不确定性。在预报极端天气事件（如飓风、热浪或洪水）时，这一问题尤为突出。

认识到确定性预报的局限性，世界各地的气象机构会发布概率预报。此类预报基于确定性预报的集合，其中每个预报都是通过在初始条件中引入合成噪声以及在物理过程中引入随机性而生成的。利用天气模型中快速的误差增长率，集合中的各个预报被有意设计得彼此不同：初始不确定性经过调整以生成尽可能不同的运行结果，而天气模型中的随机过程在模型运行期间引入额外的差异。通过对集合中所有预报取平均，误差增长得以缓解，而预报集合中的变异性则量化了天气状况的不确定性。

尽管有效，但生成这些概率预报的计算成本很高。它们需要在大型超级计算机上多次运行高度复杂的数值天气模型。因此，许多业务化天气预报在每个预报周期只能负担生成约10–50个集合成员。对于关注罕见但高影响天气事件可能性的用户来说，这是一个问题，因为此类事件通常需要大得多的集合才能在数天之后进行评估。例如，要以低于10%的相对误差预报发生概率为1%的事件可能性，需要10,000个成员的集合。量化此类极端事件的概率可能很有用，例如用于应急管理准备或能源交易商。