图1 物理建模与深度学习融合的临近预报大模型NowcastNet

图2 我国极端降水天气过程的典型案例分析

　　在国家自然科学基金项目（批准号：62021002）等资助下，清华大学软件学院王建民团队与海外合作者面向我国工业“绿色化”发展和“双碳”战略，探索了实体经济与气象跨领域融合模式，突破了数学物理机理与大规模领域数据融合难题，研制出面向极端降水和实时要素资源预报的气象预报大模型。研究成果以“高技巧极端降水临近预报大模型（Skilful Nowcasting of Extreme Precipitation with NowcastNet）”为题，于2023年7月5日在《自然》（Nature）正刊上发表，同时被《自然·新闻观点》（Nature News & Views）以“人工智能天气预报展望（The Outlook for AI Weather Prediction）”为题作了报道。论文链接：https://www.nature.com/articles/s41586-023-06184-4。

　　新能源、航空航天、高端装备等国民经济关键产业非常依赖于更准确、更精细和更长预警提前量的气象预报技术的保驾护航，基于气象观测大数据的极端降水临近预报是世界性难题之一。然而，近年来受全球气候变化的影响，短时强降水、暴风雨、暴雪、冰雹等极端降水天气发生频率逐年增加，严重威胁工业生产和人民生活安全。极端降水天气过程大多只持续几十分钟且空间尺度在几公里范围，受到对流、气旋、地形等复杂过程和大气系统混沌效应的严重影响。在2023年5月27日世界气象组织峰会上，极端降水临近预报被列为未解决的重要科学难题之一。

　　针对上述挑战，2020年起，清华大学王建民团队与国家气象中心（中央气象台）、国家气象信息中心就人工智能技术在气象大数据领域中的应用开展战略合作，经过3年联合攻关，提出了极端降水的临近预报大模型NowcastNet。该大模型将数据驱动与物理驱动两大科学范式紧密结合，其核心是融入物理过程质量守恒定律的端到端神经演变算子。首先，团队设计了中尺度物理演变网络模型，用以建模平流运动等物理性质更显著的中尺度天气过程，并通过反向传播最小化预报累积误差；其次，团队提出了对流尺度概率生成网络模型，以中尺度演变网络预测结果为条件，通过人工智能生成技术进一步捕捉对流生消等混沌效应更显著的公里尺度过程。NowcastNet兼具物理建模与深度学习优势，在国际上首次实现极端降水临近预报的公里尺度和3小时提前量。在来自全国23个省市气象台的全国62位一线气象预报专家的过程检验中，该大模型在71%的极端天气过程中被认为具有最高的预报价值，领先欧洲、英国等气象局和谷歌、DeepMind等公司的同类方法。目前，该大模型已经在国家气象中心短临预报业务平台（SWAN 3.0）部署上线，为我国实体经济安全生产提供精准气象决策支持。