研究型業務：來自2020年AMS百年年會的3個解讀

■ 賈朋群 李攀 鄧京勉

（作者單位：中國氣象局氣象干部培訓學院）

2 0 2 0 年初，美國氣象學會（AMS）隆重召開了慶祝成立100年年會。會議除了常規年會內容以外，美國及國際上很多氣象機構，都充分利用AMS搭建的“百年一遇”平臺，展示21世紀初期20年過后氣象科技發展的態勢。AMS百年年會呈現很多值得記憶的特征。持續了一周的年會包括52個主題學術會和更多的交叉會議、邊會、培訓和展覽等活動，給人留下深刻印象。

首先，會議交流科學報告的題目中，盛行“status，update，vision（現狀、更新、展望）”等關鍵詞。很多與會學者都希望借助這次里程碑式的會議，將自己、團隊、所在機構或組織等的研究和業務開發等方面的成果、進步，在會議上給出一個全面的總結，并借機討論本領域未來10年甚至更長時間的發展趨勢、可能路線和預期成果及帶來的能力提升。再有，會議的組織更加溫馨。會議安排了3場以學者“Robert Dickinson、Wayne Schubert和Susan Solomon”命名的學術交流會。最令全球華人氣象學者感到溫暖的，是會議為了紀念會前剛剛逝去的美國華人科學家張福清，在相關的學術會議上，標出了紀念逝者做出特殊貢獻的主題。最后，學術交叉成為常態。會議組織者為了讓不同領域的學者針對復雜的跨學科問題能在會議上“不期而遇”，在會議的主題和屆次延續的情況下，通過細化設計每個會議的分節主題、更多的聯合會議和討論主題，讓帶著成果和問題來的學者，都能通過閱讀會議材料，找到自己的“歸宿”。尤其是，很多會議分節的提示語，展示了主辦方和主持人、聯絡人的集體智慧，率先讓會議生輝，也在一定程度上改變了學會會議的不同階段，只是更換主持人的傳統印象。

2020年是美國國家海洋和大氣局（NOAA）成立50年和美國國家氣象局（NWS）成立150年。年會上不僅來自NOAA和NWS的學者非常活躍，而且圍繞氣象業務的重要改進方向之一——研究型業務，也呈現了一些新探索和思路。本文基于會議上下相關信息，概要介紹其中或許具有引領性的理念和實踐。

解讀1 CCPP打通研究和業務模式編碼的圍墻

圖1 CCPP的概念框架

NCAR與NOAA是預報模式研發的重要部門，但多年來兩個機構的模式獨立發展，彼此模式編碼各成體系。為了促進創新型研究業務化，全球模式測試平臺（GMTB）協同NOAA和NCAR整合了物理參數和軟件框架——通用社區物理包（Common Community Physics Package, CCPP，圖1）。2019年，NOAA和NCAR達成協議備忘錄，將合作開發CCPP框架，促進模式和物理參數的互通性，作為兩家統一預報系統（UFS）和大氣集成模式系統（SIMA）的一部分。NCAR主要在SIMA系統中參與CCPP框架的開發工作，包括加強元數據標準、使物理組變量實現自動分配、對比元數據和實際Fortran編碼，以及改善系統建設與代碼生成器。這使得CCPP成為美國幾個王牌模式的核心，以一種獨立、標準化的方式將物理參數與大氣模式（以及其他地球系統的組成部分）相結合，同時還降低了CCPP框架的研發和維護費用。

對于NWS的預報系統UFS來說，CCPP的出現是一次重大的轉折。目前，CCPP的技術設計以及物理參數要求、CCPP與主模式的結合方式等都有了明確的規則。美國氣象業務系統以外的模式系統或構建單元，可以通過CCPP轉化為UFS的命令式代碼，供NWS使用。

CCPP在引領NOAA與學界NWP模式的互通。AMS年會來自NCAR強調業務創新互操作性的CCPP平臺的一個可期結果是，NCEP的預報系統因為今天的CCPP，其未來某個升級版將會是與NCAR、高校眾多模式中最優部分的合成版本。這一跡象實際上早在FV3引領的業務模式系統升級時就已顯現，而CCPP讓這個統一模式互操作接口的思想落地。

解讀2 張量處理芯片TPC助力

近年來掀起的A I 和大數據理念，在天氣預報方面提出了利用大數據而拋棄動力學的預報理念。然而，谷歌公司并沒有跟風，而是將新技術與經典的動力學原理結合起來。谷歌研究結構的學者，用公司為印度研發的洪水預報系統，系統闡述了谷歌的“大數據+動力”的預報理念。

演講人詳盡分析了谷歌發起的洪水預報項目（印度），開發的預報系統的整個過程，明確在不同過程中谷歌的優勢所在：例如，從水文模式到直接預報洪水的水力模式過度時，需要對復雜地形的快速改變量化，作為重要變量輸入系統中。谷歌可以用預報區域幾乎完美的遙感圖層，給出地形的改變。

實際上，谷歌代表的企業創新，不同于其他機構的特點是整個預報體系的全程創新，其中，更加適應預報系統中AI算法的新的芯片——TPU（Tensor Processing Unit，張量處理單元，圖2）已經發展到第二代，TPU因為具有高速矩陣乘法單元（M×U），可以表示矩陣乘法的細微不同，性能遠遠超過目前其他機構所用的，例如我們熟悉的x86 CPU芯片。TPU這類基于機器學習的AI芯片，能夠跳過傳統模擬計算的繁瑣，借助完整模擬的輸出輸入，尋找模式并學習猜測新輸入對模擬產生的影響。

谷歌預報系統將控制方程組中代表平流的方程，更多通過AI技術模擬；而對其他熱力和動力過程，仍以傳統動力學方法為主。這樣的預報系統應用于印度，使得當地暴雨預報的準確性從19.7%提升到75%，覆蓋面積也從31.8%上升到94.8%。類似TPU這樣的AI仿真器，借助云技術，使得預報系統的計算速度得到大幅度的提升，甚至一些媒體報道稱，提高數十億倍。盡管或許有些夸張，但從根本上為改變氣象預報系統越來越受到高速計算系統制約（包括計算系統能耗）提出了解決路徑。

圖2 TPU和CPU芯片

解讀3 HOTL：自動預報時代預報員作為“護欄”管理人的新定位

來自I B M 旗下天氣公司的Jim Lidrbauch則帶來了另一個平臺HOTL：瞄準的是在氣象公司里，圍繞預報流程中的預報員的作用展開。報告人特意在報告首頁提升了HOTL（Human Over The Loop，[預報]循環中人的作用）的念法：發音和英文單詞“旅館”相近（圖3），似乎是在預示天氣公司的氣象員工需要下沉到不同的特別應用領域開展業務服務。

所謂HOTL，是介于自動預報系統和最終用戶之間的一個圖形化規則平臺，在這個平臺上，可以人工輸入與自動預報不同步的時空變量的數值。公司員工用HOTL通過繪制地理多邊形確定向客戶提供服務的位置，然后應用規則修改某個時間范圍內指定的一個或一組參數。當急需某地定時要素預報時，可啟動HOTL規則得到比自動系統更好的預報。該系統最初的目的是進行質量控制，同時增加15 d定制預測的細節信息。目前的HOTL更像是為預報產品增加了一個“護欄”，能防止自動預測過程中出現的明顯錯誤。

為什么要建立HOTL？主要有三方面原因。首先，盡管模式的預測能力不斷提高，但是出現錯誤在所難免，模式出現重要天氣錯誤預報時，預報員們往往要抱怨：“GFS（NCEP的預報模式）怎么會這樣？”此時，人的干預作用就變得很重要。第二，對于最終用戶來說，預測（其全過程）的時空分辨率永遠不夠高。最后，傳統的預報管理應該是[從預報到決策的]“一個循環”，而預報員是這個“循環”中必不可少的一部分，沒有他們的干預是不能發布預報的。而過度的干預讓整個預報過程變慢，而且隨著時空分辨率的提升，數據量和模式種類不斷增加，越來越多的預報數據也對預報員如何干預預報提出了更高的要求。這時，HOTL無疑是優化預報員干預和顯示預報員在循環中的價值所在的一個選擇。

那么H O T L又是如何運作的呢？預報員首先登陸到工作站，在云上連接HOTL服務器，繼而通過云獲得其他服務器的“ 底層”天氣數據；接著，預報員便可以利用這些數據繪制多邊形圖形，并通過配置屬性來管理預測；將查詢接口指向API，以查看表格和圖形詳細信息。此外，在平臺上還可以與來自不同領域的預報員通過Slack進行交流。

自動化的預報需要“護欄”式的呵護，HOTL式的護欄則即可防止數值模式“跑偏”，更是在精細化氣象服務中發揮預報員智慧的有力支撐。HOTL運行反饋和倒逼的對預報系統“后端”改進的研究，與會上NSF提出的“收斂性研究”有異曲同工之妙，其核心均體現在解決業務實踐中的關鍵科學問題上。

在生物工程學領域，器官芯片已經研發出來，各種器官芯片耦合成的“芯片人”也浮出水面。AMS年會展示的借助AI芯片（TPU）的更有效的模擬、借助統一編碼規則（CCPP）研發各種物理過程的“芯片”并方便地耦合成與人體一樣復雜的地球系統，再借助護欄式的“糾偏”機制，已然成為未來預報系統的關鍵節點。這3個解讀單獨看是發展動態，合力貢獻卻可能是未來氣象預報全流程的變革和新方向。這些新年代出現的一些創新思想，釋放出來的新理念和提示的研究型業務的有力抓手，值得我們關注、學習和在實際工作中思考及選擇性借鑒。