让端到端天气预报知道自己为何不确定：Aardvark Weather引入概率建模

导语

天气预报不只是要回答“明天会怎样”，还要说明“这个判断有多可靠”。传统数值天气预报通常通过集合预报表达不确定性，而不少端到端人工智能天气系统主要输出单一、确定性的结果，难以区分误差究竟来自观测不完整，还是来自模型没有学好大气演化规律。

题为《Uncertainty-Aware End-to-End AI Weather Forecasting: Disentangling Observation and Model Contributions》的研究，尝试为Aardvark Weather补上这一环节。研究者没有简单地在最终输出端添加随机扰动，而是把随机机制分别放进模型的观测编码器和动力学处理器，使预测分布能够对应到不同的误差来源。

核心做法

• 在观测编码器中学习噪声。 该噪声依赖输入内容，用于表达观测系统本身的不确定性，例如原始地球观测存在的缺测、噪声或信息不足。研究将其视为偶然不确定性，也就是数据条件变化带来的不可约误差。
• 在处理器中使用蒙特卡洛Dropout。 推理时保持Dropout开启并多次运行模型，以近似描述模型参数和所学大气动力学的不确定性。这部分属于认知不确定性，反映模型对自身判断缺乏把握的程度。
• 构建嵌套集合。 两个随机环节组合后，模型可以生成一组预测，并借助全方差分解估计总预测方差中分别有多少来自观测、多少来自模型。研究还通过暂时移除部分观测流，对这种归因进行交叉检查。

结果与边界

论文摘要称，概率微调使平均预报相较确定性模型平均改善4.2%，覆盖不同变量和预报时效。与ERA5对照时，集合预报在中期范围内的扩散—技巧比为0.98，说明预测 spread 与实际误差总体较为匹配。在站点RMSE方面，模型与确定性版本的差距控制在2.4%以内，同时在所有预报时效上的连续排序概率评分（CRPS）都优于确定性模型。

不过，这并不意味着它已经全面超越现有业务系统。研究结果显示，Aardvark Weather的表现仍落后于ECMWF业务集合预报。换言之，这项工作的主要价值不只是追求更低误差，也在于让端到端模型能够解释预测区间从何而来。

意义与影响

对于气象业务而言，知道“不确定性有多大”还不够，知道不确定性“为什么变大”同样重要。观测分支的不确定性可以提示某些区域或时刻的信息输入不足，模型分支的变化则可能暴露出动力学学习不充分或外推风险。这样的归因机制有助于提升端到端预报的可审计性，也为后续的数据采集、模型改进和风险决策提供更细的线索。

当然，两个分支与现实误差来源并非天然一一对应，分解结果仍依赖模型结构、训练方式和验证数据。研究的下一步价值，或许在于检验这种归因在极端天气、不同观测源和更长时效上的稳定性。整体来看，它展示了一条务实路线：不必放弃端到端AI预报的效率，也能逐步引入集合预报所需的概率表达。

来源：Hugging Face Daily Papers