--‍矛盾--
世界上有很多事情都是看天吃饭的，随便举两个例子。
2020年，新世界主要红酒产地之一-加州的Napa Valley因为气候干旱，土壤湿度骤降，还带来了山火，同时还非常不巧的是伴随了每小时50英里的风，让救援人员束手无策；这不仅导致了两万人撤离，1500多建筑损毁，还让很多酒庄无法正常生产，红酒价格上涨。
2022年，中国水电大省四川面临缺电，四川水电装机占比超过80%，而2022年8月17日，天然来水电量由2021年同期降幅达50%，且以日均2%的速度持续下降。这意味着，成都人民坐地铁的时候可能照明要减少了，工厂要被迫停工了，大家都要过一些苦日子了。
从「看天吃饭」这个技术性的角度来看，新能源发电和农业生产就非常相似了，天气好，农户丰收，新能源发电也丰收；天气不好，作物减产，电价上涨。
而恰好，无论是农业还是能源，都是关乎国计民生的重要领域，当然没有人希望这些领域是充满了随机性。然而，地球的气象系统是一个复杂的混沌系统，正如你一定听过一个词叫做「蝴蝶效应」，这描述了地球物理系统的复杂性，混沌性和不可预知性。
那么，矛盾来了，人类不希望有随机性的愿望和随机性不可战胜的理论，之间的矛盾。
但咱们人类之所以为人类，就是在于人类有勇气直面现实世界的挑战，否则我们和AI有什么区别？不过，我们无法扮演上帝改变天气，我们只能努力比其他人更好的学习和了解天气，去做更精准的预测，去帮助农户预见到今年可能的产量，帮助风电和光伏预见到下周可能的发电量。
--光和云--
我们来看一看有哪些技术是可以帮助提升预测的确定性，先看光伏吧，让我们猜一猜光伏发电到底受什么的直接影响最严重？
太阳活动？有一些吧，毕竟大家都知道光伏发电完全取决于阳光照射，没有阳光就没有光伏发电。
太阳不同年份的表面活动
不过直接影响可能没有想象中的那么大，太阳每11年一个周期，据NASA计算，对地表辐射量带来的峰谷差大约在0.15%左右。但是太阳活动对于地球气候变化的间接影响却是比较难以计算的，人类还缺乏很多观测手段。2017年，NASA发射了TSIS探测器到国际空间站，用于监测太空中的太阳辐照水平。
2018年Parker太阳探测器也发射入太空，以非常近距离去观测太阳活动，预计在2025年会达到光速的0.064%。显然，越来越多的观测手段会让太阳活动对地球气候变化的模型越来越精准。
2018年发射的Parker Solar Probe，近距离观测太阳活动
其实最重要的就是云层的变化，我们在聊「看庭前花开花落，望天上云卷云舒」的时候，听起来是很美好的，然而这可能是光伏电站的噩梦，这可能意味着发电曲线完全是乱的；很显然，天上突然飘来一朵云挡住了阳光，那么这个光伏电站可能在这十几分钟或者几个小时的时间就没啥发电量了。
但凡你去过比如说美丽的川西高原，圣洁的青藏高原，之类的地方，应该能明显感受到天气变化，特别是云层变化的剧烈；大城市也一样，小编在北京的夏天，晴天下楼跑个小步都能淋一身雨回家。
云层变化既更常见，变化也更剧烈，是影响光伏发电的第一因素
所以，预测云层的变化就是至关重要的，这确实很难，但好在我们有很多技术可以帮助我们，一个典型的就是地球同步轨道卫星 ，比如说我们国家的风云系列卫星，能够做到每10-15min对中国所在的半球观测一次，妥妥的拿捏了云层的实际情况
FY-4同步轨道遥感卫星样例数据（气象卫星中心）
但问题来了，别忘了我们要做的是预测，只是拿捏云层的实际情况是不够的，我们还要预测云层未来的变化（就好像，我们只掌握过去股价的实际情况是不够的，我们还要预测未来的股价），but how?
这就到了最近很火的diffusion model了，也就是比如midjourney那样的AI画图，你一定要问，为什么AI画图还能预测云层变化？因为本质上就是像让AI自己把未来的云层「准确的画出来」。

AIGC (Diffusion Model) 生成的云层分布预测
在一些其它应用里面，遥感去云是一件很重要的前置步骤，而在云层预测里面云本身就是预测标的，这就意味着（算法工程师狂喜）可用数据突然变多了，可以搞大规模的训练了。这种基于同步卫星去预测云层变化的好处在于空间精度十分高，可以达到百米级，在一些云层变化很快的地方，就显得十分有用了。有了更好的云层预测，还愁发电预测么。
--风--
再来看看风电，我们小时候摇头背诵的「夜来风雨声，花落知多少」的时候，想的都是考试成绩，然而站在风电场的角度看，感受到的都是发电量不可控；风电场希望每天都能「大风起兮云飞扬」。
这些诗句在小编看来，都在描述地球物理系统的不可预测性，但还是那句话，预测还是要尽力做的，不然我们和AI有什么区别。
风的问题可能就比光伏的影响难很多了（切身体会：小编小时候连个风筝都控制不了）。毕竟反观光伏，每天有差不多有一半时间都是不需要预测的，而风就不一样的，它想什么时候刮，就什么时候刮，你能怎么办？因为太多的因素可以决定风的走向了。
首当其冲的就是地形，风的变化如此之大，如果你喜欢滑雪，你应该能有印象很多滑雪场山顶风大，山底风小，而水平距离可能也就不到一公里；甚至望京SOHO的38层和望京SOHO的1层相比，风速都是完全不一样的，在望京SOHO的塔1/2/3交界处，甚至还有一个显著的风口。
如何把地形3D建模计算出来，并考虑进风的预测算法，就是一个很重要的问题了，这里就要提一个叫NeRF的技术链，全称是Neural Radiance Field，和普通的实景三维建模不一样的地方在于，NeRF通过AI的方式，训练镜头的视角，实时推理任何视角出来的样子。
有了更高精度的地形，我们就可以去模拟特定地形条件下的风场演化，得到更高精度的风场数据。当然，这里面涉及到大量的超级计算资源的运用，譬如说去计算流体力学里面Navier-Stokes方程。
不过，我们这里要讲到另外一个技术就是模拟PDE方程的AI技术，比如说一个Caltech团队做的Fourier Neural Operator，就可以利用神经网络去模拟流体力学变化。
这样做有两个好处，第一是去计算机理模型通常需要消耗海量的计算资源，而AI模型仅在训练时才会消耗大量的资源，在推理时几乎是没有计算消耗的（模型说：应对气候变化，减少用电排放，从我自己做起）；第二是这样通常可以把海量的数据利用起来，在预测复杂系统的时候经常还能更加精准，可以说是一石二鸟了。
那么我们是不是可以结合卫星数据，用它来搞气象预测？第一颗遥感卫星上天至今已经快半个世纪了，积累了大量的历史观测数据。
如果我们可以用大量的人类历史气象记录数据进行训练，比如说用它个40年的卫星观测数据，再写一个AI大模型出来，让AI自己知道怎么预测天气，就像上面用AI画画的模型去预测云层分布一样的道理，那么，AI到底能不能学会自己预测天气呢？事实上，国内外有一些团队已经开始这么做了（当然，也包括我们了）‍
‍以上是对全球尺度地表风场的实测（严谨说是卫星和站点的同化数据）和24小时预测数据，基本是比较一致的。当然还可以做很多更加严谨的精度计算，就不在这里展开了。
虽然有了AI气象大模型，能够提升风电和光伏的预测精度，回过头来，这只是一个开始，人类的气象预测技术仍然是路漫漫的，对抗自然界的不确定性是一个长期的问题，比如说中长期的气象预测，比如说去预测6个月后某一时空的风速数据，在「蝴蝶效应」的影响下，是几乎不可能实现的。
但，科技的进步不就是把不可能变为可能么，你说是不是。
戳下方图片，跳转对应推文
继续阅读
阅读原文
关键词
卫星
数据
地球
系统
技术