评估用于可持续极端降雨短期预报的多尺度循环神经网络的环境代价

为何更快更绿色的降雨预报至关重要

随着全球城市面临越来越多突发暴雨和洪涝，尤其是在资源有限的地区，多争取几分钟的预警时间就可能挽救生命。但用于生成最先进天气预报的计算机既耗能又昂贵，通常难以为最需要它们的地区所负担。本文提出一个简单而紧迫的问题：我们能否设计既能预测危险降雨又能负担得起且对环境负责的人工智能工具？

从超级计算机到雷达图像中的智能模式

当今的短期降雨预报，称为“短时预报”（nowcasts），通常由大型基于物理的模型产生，这些模型对大气进行精细模拟。这些系统在许多情况下表现良好，但在一到两小时这样非常短的预报时效上常常力不从心——而正是在这种时候人们最需要关于来临暴雨的明确指引。且这些系统需要大量的超级计算资源。相比之下，新型的人工智能模型直接从大量气象雷达图像中学习，将风暴演变视作视频中的帧。循环神经网络旨在捕捉随时间变化的模式，已经表明在近距降雨预测上能超过传统模型。

强大AI背后的隐性代价

然而，这些AI系统带来了它们自身的问题：它们可能非常庞大，需要大量内存、电力和专用图形处理器。这种代价不仅是金钱方面的。训练和运行此类模型会消耗能源，导致碳排放并在发电厂产生间接用水。受到极端降雨影响最严重的地区——例如全球南方的热带城市——往往最无力负担这些硬件，从而加深已有的气候和技术鸿沟。作者通过回顾以往研究发现，几乎没有人在降雨短时预报领域实际测量这些环境影响，尽管模型规模越来越大、越来越复杂。

更精简的“读天”方法

本研究聚焦于一种称为多尺度循环神经网络框架（MS-RNN）的技术，该技术重新组织现有AI模型，使其同时在多个分辨率下处理雷达图像。网络不是在全尺寸下处理每一个细节，而是反复压缩然后重建图像，从而更高效地捕捉风暴的宏观结构与细微特征。研究人员将三种流行的短时预报模型改为采用这一多尺度设计，并在两个真实的雷达数据集上进行了测试：一个来自意大利阿尔卑斯山，另一个来自地形复杂且城市化的巴西里约热内卢。他们不仅跟踪了预报准确性，还记录了内存使用、运行时间、电力消耗、估算的碳排放和相关的用水量。

实验显示的速度、精度与环保足迹

在阿尔卑斯数据集上，多尺度模型版本显著降低了资源需求。内存使用大约减半，训练时间减少约一半或更多，电力消耗下降了最多约70%。这些变化带来了相应的碳排放和用水量的类似减少，某些模型变体节省超过60%。与此同时，标准误差度量以及衡量模型命中强降雨目标的评分显示，预报质量保持不变甚至略有改善。在里约热内卢，由于天气模式和地形更具挑战性且雷达图像尺寸较小，收益较为温和。多尺度模型仍然使用更少能源并减少碳排放，但其预报精度相较原始版本略有降低——不过差异足够小，作者认为在资源有限的环境中这种权衡通常是值得的。

极端强降雨的局限与下一步

即便有这些改进，所有测试模型仍然难以应对最罕见、最强烈的降雨突发事件。对极端事件赋予更高权重的特殊误差评分显示，强降雨仍然难以可靠预测，部分原因是训练数据中此类事件出现较少。作者指出一些结合了物理知识的混合方法或使用高级生成模型来增强雷达图像的新途径，但也指出这些方法通常对计算资源需求更大——且几乎不报告其能耗或用水量。因此，研究呼吁今后的工作从一开始就以效率为设计目标，并在发布准确性结果的同时常规提供环境指标。

对地面民众的意义

通俗地说，论文表明可以构建出在提供有用短期降雨预警的同时，比许多现有系统消耗更少内存、电力和水的人工智能工具。对于像里约热内卢这样经常发生洪涝和山体滑坡且预算紧张的城市，这类“绿色AI”方法有望将先进的预警系统带入可负担的范围，而不是仅限于资金充足的气象中心。该研究并未解决完美预测最极端风暴的挑战，但为构建既更可持续又更公平的预报系统描绘了一条务实路径。

引用: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

关键词: 极端降雨, 气象雷达, 深度学习, 可持续人工智能, 短期预报