AI в прогнозирането на времето
AI метеорологичните модели научават атмосферните модели директно от десетилетия минали наблюдения, създавайки 10-дневни прогнози за секунди, които съперничат или побеждават базираните на физика суперкомпютърни модели, чието изпълнение отнема часове.
Преглед
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Дълбоко гмуркане
В продължение на 70 години прогнозирането на времето означава решаване на уравненията на физиката на флуидите на гигантски суперкомпютри - процес, наречен числено прогнозиране на времето (NWP). AI преобръща този подход: модели като Google GraphCast на DeepMind, Pangu-Weather на Huawei и FourCastNet на NVIDIA се обучават на набор от данни за повторен анализ ERA5, приблизително 40 години глобално време на всеки час. Те научават статистическите връзки между днешната и утрешната атмосфера, след което правят прогнози чрез съвпадение на модели, вместо да симулират физика. GraphCast произвежда 10-дневна глобална прогноза с разделителна способност от 0,25 градуса за по-малко от минута на един TPU, спрямо часове на суперкомпютърен клъстер. През 2023 г. GraphCast превъзхожда златния стандартен модел ECMWF за повечето променливи. Европейският център сега управлява свой собствен оперативен AI модел, AIFS.
Техническа информация
GraphCast представя земното кълбо като графика: множество мрежи от възли, свързани в множество мащаби, което позволява на информацията да се разпространява както локално, така и на големи разстояния в няколко стъпки. Графична невронна мрежа поглъща текущото и предишното състояние на атмосферата, след което прогнозира състоянието 6 часа напред. За да прогнозира 10 дни, той връща своя собствен изход обратно в авторегресия, 40 пъти. Обучението оптимизира претеглена грешка в нивата на налягане и променливи като температура, вятър и влажност.
Стратегическо въздействие
Context and rules
Индустриалният контекст определя дали идеите за ИИ оцеляват при контакт с реалността.
Quality control
Ограниченията на домейна влияят на приемливите нива на грешки и моделите за надзор.
Build choices
Успешното внедряване съгласува техническите възможности с работните потоци на първа линия.
Бъдещето на AI в прогнозирането на времето
Прогнозирането с изкуствен интелект преминава от изследвания към ежедневни операции: ECMWF, метеорологичната служба на Обединеното кралство и други сега управляват модели на изкуствен интелект заедно с физиката. Следващите граници включват базирани на дифузия ансамбли (GenCast), които определят количествено несигурността, километрични локални модели и „основни модели“ за Земята, които се справят заедно с времето, климата и качеството на въздуха. Вероятни са хибридни системи, съчетаващи скоростта на изкуствения интелект с надеждността на физиката за редки крайности, тъй като чисто управляваните от данни модели могат да подценят безпрецедентни събития, които липсват в данните за обучение.
Внедряване в реалния свят
Google GraphCast на DeepMind, генериращ 10-дневни глобални прогнози за по-малко от минута, използвани за отбелязване на пътя на циклоните дни предварително
ECMWF управлява своя оперативен модел AIFS, за да допълни традиционните си базирани на физика прогнози за европейски метеорологични услуги
FourCastNet на NVIDIA бързо произвежда големи ансамбли за оценка на вероятността от екстремни събития на вятър и валежи
GenCast произвежда вероятностни прогнози за ансамбъл, които побеждават ENS на ECMWF за 97 процента от тестваните метеорологични цели, подобрявайки насоките за проследяване на тропически циклони
Рискове и предпазни огради
Регулаторните изисквания могат да обезсилят иначе силните прототипи.
Историческите данни могат да кодират пристрастие, което вреди на определени общности.
Наследените системи могат да създадат затруднения при интеграцията и скрити разходи.
Пътна карта за изпълнение
Включете експерти в областта от рамкирането на проблема до оценката.
Проектирайте одитни пътеки и документация преди стартиране.
Ранно потвърдете задълженията за съответствие и безопасност.
Пускане на етапи с ясни критерии за спиране и връщане назад.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Weather Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
AI при прогнозиране на наводнения
Frequently asked questions
What is AI in Weather Forecasting?
AI метеорологичните модели научават атмосферните модели директно от десетилетия минали наблюдения, създавайки 10-дневни прогнози за секунди, които съперничат или побеждават базираните на физика суперкомпютърни модели, чието изпълнение отнема часове. Това променя начина, по който метеоролозите предсказват бури, горещи вълни и урагани.
Върху какъв набор от данни основно се обучават водещи AI метеорологични модели като GraphCast?
GraphCast и подобни модели са обучени на повторния анализ ERA5 на ECMWF, който предоставя десетилетия на последователни глобални атмосферни данни.
Как AI модел като GraphCast се различава фундаментално от традиционното числено прогнозиране на времето?
NWP решава числено уравнения на динамиката на флуидите, докато AI моделира научени връзки за съвпадение на модели от исторически данни.
Как GraphCast създава 10-дневна прогноза от 6-часова стъпка на прогнозиране?
GraphCast прогнозира 6 часа напред, след което подава тази прогноза обратно като вход, повтаряйки около 40 пъти, за да достигне 10 дни.
Приблизително колко време отнема на GraphCast да генерира 10-дневна глобална прогноза на един TPU?
Основно предимство на AI прогнозирането е скоростта: GraphCast работи за по-малко от минута спрямо часове за суперкомпютър NWP.
Кое е основното ограничение на метеорологичните модели с изкуствен интелект, базирани на данни?
Тъй като се учат от исторически данни, AI моделите могат да се борят с чупещи рекорди събития, които нямат прецедент в техния обучителен набор.