AI dalam Prakiraan Cuaca
Model cuaca AI mempelajari pola atmosfer langsung dari pengamatan selama beberapa dekade terakhir, menghasilkan perkiraan 10 hari dalam hitungan detik yang menyaingi atau mengalahkan model superkomputer berbasis fisika yang membutuhkan waktu berjam-jam untuk dijalankan.
Ikhtisar
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Menyelam Lebih Dalam
Selama 70 tahun, prakiraan cuaca berarti memecahkan persamaan fisika fluida pada superkomputer raksasa – sebuah proses yang disebut prediksi cuaca numerik (NWP). AI membalik pendekatan ini: model seperti GraphCast dari DeepMind Google, Pangu-Weather dari Huawei, dan FourCastNet dari NVIDIA dilatih berdasarkan kumpulan data analisis ulang ERA5, yang mengukur cuaca global setiap jam selama kurang lebih 40 tahun. Mereka mempelajari hubungan statistik antara atmosfer saat ini dan masa depan, kemudian memperkirakannya dengan mencocokkan pola, bukan dengan simulasi fisika. GraphCast menghasilkan perkiraan global 10 hari dengan resolusi 0,25 derajat dalam waktu kurang dari satu menit pada satu TPU, dibandingkan berjam-jam pada cluster superkomputer. Pada tahun 2023, GraphCast mengungguli model ECMWF standar terbaik di sebagian besar variabel. European Centre kini menjalankan model AI operasionalnya sendiri, AIFS.
Wawasan Teknis
GraphCast mewakili dunia sebagai grafik: multi-mesh node yang terhubung pada berbagai skala, memungkinkan informasi menyebar baik secara lokal maupun jarak jauh dalam beberapa langkah. Jaringan neural grafik menyerap keadaan atmosfer saat ini dan sebelumnya, lalu memprediksi keadaan tersebut 6 jam ke depan. Untuk memperkirakan 10 hari, ia memasukkan kembali outputnya secara otomatis sebanyak 40 kali. Pelatihan mengoptimalkan kesalahan tertimbang di seluruh tingkat tekanan dan variabel seperti suhu, angin, dan kelembapan.
Dampak Strategis
Context and rules
Konteks industri menentukan apakah ide AI dapat bertahan jika bersentuhan dengan kenyataan.
Quality control
Batasan domain memengaruhi tingkat kesalahan dan model pengawasan yang dapat diterima.
Build choices
Penerapan yang berhasil menyelaraskan kemampuan teknis dengan alur kerja garis depan.
Masa Depan AI dalam Prakiraan Cuaca
Perkiraan AI beralih dari penelitian ke operasi sehari-hari: ECMWF, UK Met Office, dan lainnya kini menjalankan model AI bersamaan dengan fisika. Perbatasan berikutnya mencakup ansambel berbasis difusi (GenCast) yang mengukur ketidakpastian, model lokal skala kilometer, dan 'model fondasi' Bumi yang menangani cuaca, iklim, dan kualitas udara secara bersamaan. Sistem hibrida yang memadukan kecepatan AI dengan keandalan fisika untuk kondisi ekstrem yang jarang terjadi mungkin saja terjadi, karena model berbasis data murni dapat meremehkan peristiwa yang belum pernah terjadi sebelumnya yang tidak ada dalam data pelatihan.
Implementasi Dunia Nyata
Google GraphCast DeepMind menghasilkan prakiraan global 10 hari dalam waktu kurang dari satu menit, digunakan untuk menandai jalur siklon beberapa hari sebelumnya
ECMWF menjalankan model operasional AIFS untuk melengkapi prakiraan tradisional berbasis fisika untuk layanan cuaca Eropa
FourCastNet dari NVIDIA dengan cepat memproduksi ansambel besar untuk memperkirakan kemungkinan kejadian angin ekstrem dan curah hujan
GenCast menghasilkan perkiraan ansambel probabilistik yang mengalahkan ENS ECMWF dalam 97 persen target cuaca yang diuji, sehingga meningkatkan panduan jalur siklon tropis
Risiko & Pagar Pembatas
Persyaratan peraturan dapat membatalkan prototipe yang kuat.
Data historis mungkin menunjukkan bias yang merugikan komunitas tertentu.
Sistem lama dapat menimbulkan hambatan integrasi dan biaya tersembunyi.
Peta Jalan Implementasi
Libatkan pakar domain mulai dari penyusunan masalah hingga evaluasi.
Rancang jalur audit dan dokumentasi sebelum peluncuran.
Validasi kewajiban kepatuhan dan keselamatan sejak dini.
Peluncuran secara bertahap dengan kriteria berhenti dan kembalikan yang jelas.
Terus Menjelajah
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 dalam Peramalan Banjir
Pertanyaan yang sering diajukan
What is AI in Weather Forecasting?
Model cuaca AI mempelajari pola atmosfer langsung dari pengamatan selama beberapa dekade terakhir, menghasilkan perkiraan 10 hari dalam hitungan detik yang menyaingi atau mengalahkan model superkomputer berbasis fisika yang membutuhkan waktu berjam-jam untuk dijalankan. Hal ini mengubah cara ahli meteorologi memprediksi badai, gelombang panas, dan angin topan.
Kumpulan data apa yang terutama digunakan oleh model cuaca AI terkemuka seperti GraphCast?
GraphCast dan model serupa dilatih berdasarkan analisis ulang ERA5 ECMWF, yang menyediakan data atmosfer global per jam yang konsisten selama beberapa dekade.
Apa perbedaan mendasar model AI seperti GraphCast dengan prediksi cuaca numerik tradisional?
NWP memecahkan persamaan dinamika fluida secara numerik, sementara AI memodelkan hubungan yang dipelajari dengan mencocokkan pola dari data historis.
Bagaimana GraphCast menghasilkan perkiraan 10 hari dari langkah prediksi 6 jam?
GraphCast memprediksi 6 jam ke depan, lalu memasukkan kembali prediksi tersebut sebagai masukan, mengulangi sekitar 40 kali hingga mencapai 10 hari.
Kira-kira berapa lama waktu yang dibutuhkan GraphCast untuk menghasilkan perkiraan global 10 hari pada satu TPU?
Keuntungan utama perkiraan AI adalah kecepatan: GraphCast berjalan dalam waktu kurang dari satu menit dibandingkan jam untuk superkomputer NWP.
Apa batasan utama model cuaca AI yang murni berbasis data?
Karena belajar dari data historis, model AI dapat kesulitan menghadapi peristiwa yang memecahkan rekor yang belum pernah terjadi sebelumnya dalam rangkaian pelatihannya.