扫一扫分享微信
面对气象领域不断增长的计算规模和算力需求，近日，浪潮宣布对气象应用的大规模扩展和优化取得诸多进展。如针对美国大气研究中心(NCAR)、美国大气海洋局(NOAA)和美国空间气象局(AFWA)等共同开发的WRF模式，通过优化IO和通信等，将WRF扩展到了24000 核，且与优化前相比，WRF性能提升200%–300%。
作为人工智能计算全球领先公司，浪潮在人工智能与高性能计算技术的融合上，早已开启了探索之路，在“基于模式预测数据构建神经网络模型进行预测订正”和“基于历史观测数据构建神经网络模型进行降水预测”两个研究方向上开发出多个神经网络模型。
一般来说，基于数值预报技术的现代天气预报流程包含数据获取和预处理、模式资料同化、模式集合预报和预报结果后处理四个环节。要想提高天气预报的准确度，一是提高时空分辨率，将网格精度从千米级提升到百米级；二是要模拟更接近真实环境的生物地球物理化学过程，这需要采集更多的观测数据和开发更精细的气候模式。因此，天气预报的精度越高，就意味着需要处理的数据量越大，算力的需求越多。如第5次国际耦合模式比较计划 CMIP5 输出的数量总量超过 3 PB，而下一代 CMIP6 数据总量超过 30 PB，海量数据给处理、提取和解读带来巨大的挑战。
气象领域数据激增的趋势促使人们开始探索新的计算技术，人工智能+高性能计算作为一种新的科学计算范式，得到了全球气象研究机构和科学家的重视。2019年，德国科学家Markus Reichstein等在Nature上发表了《“数据驱动型”地球系统科学领域的深度学习及其过程理解》一文，提出混合建模方法，将物理模型和机器学习结合起来以提升天气和气候预测能力；2021年初欧洲中期天气预报中心ECMWF发布了其未来十年机器学习路线图，提出将机器学习应用在整个气象预报流程中。其中，在观测数据处理方面，机器学习将用于数据质量控制和异常检测等；在数据同化方面，机器学习将用于误差订正和数据分布由非高斯分布向高斯分布的转换等；在数值预报方面，机器学习将替代某些参数化方案，建立机器学习-传统物理模式混合模式，以及用于水文模式和研究人类的影响；在后处理方面，机器学习将用于降水降尺度、观测和模式预报融合、集合预报后处理、极端降水后处理以及特征检测等。
随着人工智能与高性能计算的深度融合和气象预报精度的不断提升，人们对天气的掌控也将更有力，而这一切的背后，既依赖于物理模型的发展、人工智能的创新，也离不开算力科技的支撑。
