AI az időjárás-előrejelzésben
Az AI időjárási modellek közvetlenül tanulják meg a légköri mintákat több évtizedes múltbeli megfigyelésekből, és másodpercek alatt 10 napos előrejelzéseket készítenek, amelyek vetekednek a fizikai alapú szuperszámítógép-modellekkel, amelyek futtatása órákig tartott.
Áttekintés
Ez átalakítja a meteorológusok viharokat, hőhullámokat és hurrikánokat jósoló módját.
Mély merülés
70 éven keresztül az időjárás-előrejelzés a folyadékfizika egyenleteinek megoldását jelentette óriási szuperszámítógépeken – ezt a folyamatot numerikus időjárás-előrejelzésnek (NWP) nevezték. A mesterséges intelligencia megfordítja ezt a megközelítést: az olyan modelleket, mint a Google DeepMind GraphCast, a Huawei Pangu-Weather és az NVIDIA FourCastNet az ERA5 újraelemzési adatkészletére képezik, amely nagyjából 40 évnyi óránkénti globális időjárás. Megtanulják a statisztikai összefüggéseket a mai és a holnapi légkör között, majd a fizika szimulációja helyett mintaillesztéssel előrejeleznek. A GraphCast 10 napos globális előrejelzést készít 0,25 fokos felbontással egyetlen TPU-n kevesebb mint egy perc alatt, szemben a szuperszámítógép-fürt órákkal. 2023-ban a GraphCast a legtöbb változó tekintetében felülmúlta az aranystandard ECMWF modellt. Az Európai Központ immár saját operatív AI modelljét, az AIFS-t működteti.
Technikai betekintés
A GraphCast a földgömböt ábrázolja gráfként: több léptékben összekapcsolt csomópontok többhálója, amely lehetővé teszi az információk helyi és nagy távolságokon történő, néhány lépésben történő terjedését. Egy gráf neurális hálózat lenyeli az aktuális és korábbi légköri állapotot, majd megjósolja az állapotot 6 órával előre. A 10 napos előrejelzéshez a saját kimenetét autoregresszíven, 40-szer táplálja vissza. Az edzés optimalizálja a súlyozott hibát a nyomásszintek és az olyan változók között, mint a hőmérséklet, a szél és a páratartalom.
Stratégiai hatás
Kontextus és szabályok
Az iparági kontextus határozza meg, hogy az AI ötletek túlélik-e a valósággal való érintkezést.
Minőségellenőrzés
A tartományi korlátok befolyásolják az elfogadható hibaarányt és a felügyeleti modelleket.
Építési lehetőségek
A sikeres telepítések összehangolják a műszaki képességeket a frontvonalbeli munkafolyamatokkal.
Az AI jövője az időjárás-előrejelzésben
A mesterséges intelligencia előrejelzése a kutatástól a napi műveletek felé halad: az ECMWF, az Egyesült Királyság Met Office és mások már a fizika mellett MI modelleket is futtatnak. A következő határok közé tartoznak a diffúzió alapú együttesek (GenCast), amelyek számszerűsítik a bizonytalanságot, a kilométeres léptékű helyi modellek és a Föld „alapmodellei”, amelyek együtt kezelik az időjárást, az éghajlatot és a levegő minőségét. Valószínűleg a hibrid rendszerek, amelyek a mesterséges intelligencia sebességét a fizika megbízhatóságával párosítják a ritka szélsőségeknél, mivel a tisztán adatvezérelt modellek alábecsülhetik azokat a példátlan eseményeket, amelyek hiányoznak a képzési adatokból.
Valós megvalósítás
Google A DeepMind GraphCastje 10 napos globális előrejelzéseket generál kevesebb mint egy perc alatt, és a ciklonok útját napokkal korábban megjelöli
Az ECMWF operatív AIFS-modelljét futtatja, hogy kiegészítse hagyományos, fizikai alapú előrejelzéseit az európai időjárási szolgáltatások számára
Az NVIDIA FourCastNetje gyorsan nagy csoportokat állít elő a szélsőséges szél- és csapadékesemények valószínűségének becsléséhez
A GenCast olyan valószínűségi előrejelzéseket készít, amelyek a tesztelt időjárási célok 97 százalékán felülmúlják az ECMWF ENS-ét, javítva a trópusi ciklonok nyomkövetését
Kockázatok és védőkorlátok
A szabályozási követelmények érvényteleníthetik az egyébként erős prototípusokat.
A korábbi adatok olyan elfogultságot kódolhatnak, amely bizonyos közösségeket károsít.
Az örökölt rendszerek szűk keresztmetszeteket és rejtett költségeket okozhatnak az integrációban.
Végrehajtási ütemterv
Vonjon be területi szakértőket a probléma megfogalmazásától az értékelésig.
Tervezze meg az ellenőrzési nyomvonalakat és a dokumentációt az indítás előtt.
Korán érvényesítse a megfelelési és biztonsági kötelezettségeket.
Fázisokban történő bevezetés egyértelmű leállítási és visszaállítási kritériumokkal.
Folytassa a felfedezést
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
Következő útmutató
AI az árvíz-előrejelzésben
Gyakran ismételt kérdések
Mi az AI az időjárás-előrejelzésben?
Az AI időjárási modellek közvetlenül tanulják meg a légköri mintákat több évtizedes múltbeli megfigyelésekből, és másodpercek alatt 10 napos előrejelzéseket készítenek, amelyek vetekednek a fizikai alapú szuperszámítógép-modellekkel, amelyek futtatása órákig tartott. Ez átformálja azt, ahogy a meteorológusok előrejelzik a viharokat, hőhullámokat és hurrikánokat.
Milyen adatkészleten edzenek elsősorban a vezető mesterséges intelligencia modellek, mint például a GraphCast?
A GraphCast és a hasonló modellek az ECMWF ERA5 újraelemzésén alapulnak, amely több évtizedes konzisztens óránkénti globális légköri adatokat szolgáltat.
Miben különbözik az olyan mesterséges intelligencia modell, mint a GraphCast, alapvetően a hagyományos numerikus időjárás-előrejelzéstől?
Az NWP numerikusan oldja meg a folyadékdinamikai egyenleteket, míg az AI modellezi a mintaegyeztetés tanult összefüggéseit az előzményadatokból.
Hogyan készít a GraphCast 10 napos előrejelzést egy 6 órás előrejelzési lépésből?
A GraphCast 6 órával előre jelez, majd ezt az előrejelzést visszaadja bemenetként, körülbelül 40-szer ismételve, hogy elérje a 10 napot.
Körülbelül mennyi időbe telik a GraphCast, hogy 10 napos globális előrejelzést generáljon egyetlen TPU-n?
A mesterséges intelligencia előrejelzésének egyik fő előnye a sebesség: a GraphCast kevesebb mint egy perc alatt fut, szemben a szuperszámítógépes NWP órákkal.
Mi a tisztán adatvezérelt AI időjárási modellek fő korlátja?
Mivel tanulnak a történelmi adatokból, az AI-modellek olyan rekordméretű eseményekkel küszködhetnek, amelyekre nincs példa a képzési készletükben.