光州科学技术院（GIST）环境·能源工学系由 Yoon Jinho 教授主导的国际联合研究团队，利用人工智能（AI）技术，开发出一种全新的方法，可在现有基础上将美国西部地区的气象状况，在最长提前一个月的时间尺度上，进行更加精细且准确的预报，该院于7日表示。
由于美国西部山地、海岸、内陆等复杂地形交织，被视为预报难度极高的地区，此次在该区域验证了模型性能，被评价为在气候危机时代为高分辨率预报技术打开了新的可能性。
研究团队将重点放在解决现有由气象厅、欧洲中期天气预报中心（ECMWF）等机构使用的数值天气预报（NWP）模型，仅以约120公里（1.5度）间隔划分的较大预报网格提供信息，难以充分反映区域特性的局限。
尤其是美国西部，高差大，来自海洋的空气与来自内陆的空气交替影响（海洋与内陆之间气团交换活跃），实际天气会因地形而出现巨大差异，被认为是难以预报的区域。
为解决这一问题，研究团队开发了“基于三维（3D）U-Net 的 AI 预报后处理模型”，使模型能够同时学习天气随时间如何延续与变化。该模型将从今天起到目标预报日期为止的时间区间（预报提前时间）视为一个连续过程进行分析，在相对准确度较高的超短期与中期（1～10天）预报信息基础上，自然扩展到其后的延长中期（10～32天）预报，提高其准确度。
也就是说，该模型不仅仅停留在对既有数值预报信息进行简单校正的层面，而是同时反映时间、空间及地形特性，从而生成更接近真实的预报结果。
研究团队开发的 AI 模型以欧洲中期天气预报中心（ECMWF）的预报资料为基础，经过训练可生成约23公里（0.25度）分辨率的高精度信息，同时具备校正数值预报中反复出现的结构性误差的功能。
这项技术将原本约120公里间隔、划分较为粗略的预报网格，重新细分为约23公里间隔的更密集网格，从而可以预报到更小的区域尺度，并更精细地反映山地、海岸、内陆等不同地形所导致的气象变化。其并非仅仅提高空间分辨率，而是通过精细调整预报误差，缩小与真实天气形态之间的差距，是一种高度复杂化的方式。
性能评估结果显示，新模型与实际气象变化的一致性显著提高。以温度为例，反映气象形态匹配程度的相关系数比既有模型提高了0.12，在降水预报中也提高了0.18。相关系数越接近1，说明与实际气象变化越一致。此外，预测误差（均方根误差，RMSE）方面，按温度计算约减少31%，按降水计算约减少22%，整体上较现有数值预报的准确度有大幅提升。
研究团队还对2023年美国加利福尼亚州发生的创纪录暴雨案例进行了追加分析。结果表明，新模型在捕捉降雨发生的位置和分布方面更加准确，但对实际降雨量（绝对降水量）则存在略低估的倾向。
这被认为是海外开发的最新 AI 气象预报模型普遍存在的共性局限，也表明要精确预报降水的规模（降水量）仍然是一项尚未解决的课题。
值得关注的是，本次研究在不增加数十种复杂输入信息、也不对多个模型结果进行逐一细致利用的前提下，仅凭多种预报结果的集合平均值和若干最关键信息，就取得了较高的预测性能。
得益于这一方式，模型所占用的内存大幅减少，计算时间也明显缩短，即便在并非高端设备的一般 GPU 环境中也能稳定运行。也就是说，该技术被视为在构建大规模 AI 气象预报系统之前，先行提升预报能力的一种现实且高效的替代方案。
Yoon Jinho 教授强调：“在气候变化使预报重要性不断提升的背景下，利用 AI 对既有模型生成的结果再进行一次校正，从而提高准确度的‘后处理技术’，将成为弥补数值预报局限的有力方案。尤其如美国西部这样地形与区域性极其复杂的案例所示，AI 在实现高分辨率区域预报方面可以发挥决定性作用。”
他还表示：“这项技术在提高预报准确度的同时，减轻了计算负担，提升了运行效率，因此也将对应对山火、洪水、干旱等气候灾害发挥巨大作用。”
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
