AI dalam Ramalan Cuaca
Model cuaca AI mempelajari corak atmosfera secara langsung daripada pemerhatian yang lalu selama beberapa dekad, menghasilkan ramalan 10 hari dalam beberapa saat yang menyaingi atau mengalahkan model superkomputer berasaskan fizik yang mengambil masa berjam-jam untuk dijalankan.
Gambaran keseluruhan
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Menyelam dalam
Selama 70 tahun, ramalan cuaca bermaksud menyelesaikan persamaan fizik bendalir pada superkomputer gergasi - satu proses yang dipanggil ramalan cuaca berangka (NWP). AI membalikkan pendekatan ini: model seperti Google DeepMind's GraphCast, Huawei's Pangu-Weather dan NVIDIA's FourCastNet dilatih pada set data analisis semula ERA5, kira-kira 40 tahun cuaca global setiap jam. Mereka mempelajari hubungan statistik antara atmosfera hari ini dan suasana esok, kemudian meramalkan dengan padanan corak dan bukannya mensimulasikan fizik. GraphCast menghasilkan ramalan global 10 hari pada resolusi 0.25 darjah dalam masa kurang seminit pada satu TPU, berbanding jam pada gugusan superkomputer. Pada 2023, GraphCast mengatasi model ECMWF standard emas pada kebanyakan pembolehubah. Pusat Eropah kini menjalankan model AI operasinya sendiri, AIFS.
Wawasan Teknikal
GraphCast mewakili dunia sebagai graf: berbilang jejaring nod yang disambungkan pada berbilang skala, membenarkan maklumat disebarkan secara tempatan dan merentasi jarak jauh dalam beberapa langkah. Rangkaian saraf graf menelan keadaan atmosfera semasa dan sebelumnya, kemudian meramalkan keadaan 6 jam lebih awal. Untuk meramalkan 10 hari, ia menyuap keluarannya sendiri kembali secara autoregresif, 40 kali. Latihan mengoptimumkan ralat berwajaran merentas tahap tekanan dan pembolehubah seperti suhu, angin dan kelembapan.
Kesan Strategik
Konteks dan peraturan
Konteks industri menentukan sama ada idea AI bertahan dalam hubungan dengan realiti.
Kawalan kualiti
Kekangan domain mempengaruhi kadar ralat dan model pengawasan yang boleh diterima.
Pilihan binaan
Penerapan yang berjaya menyelaraskan keupayaan teknikal dengan aliran kerja barisan hadapan.
Masa Depan AI dalam Ramalan Cuaca
Ramalan AI beralih daripada penyelidikan kepada operasi harian: ECMWF, UK Met Office dan lain-lain kini menjalankan model AI bersama fizik. Sempadan seterusnya termasuk ensembel berasaskan resapan (GenCast) yang mengukur ketidakpastian, model tempatan berskala kilometer dan 'model asas' untuk Bumi yang mengendalikan cuaca, iklim dan kualiti udara bersama-sama. Sistem hibrid yang memadankan kelajuan AI dengan kebolehpercayaan fizik untuk keterlaluan yang jarang berlaku adalah berkemungkinan besar, memandangkan model terdorong data tulen boleh memandang rendah peristiwa yang belum pernah berlaku sebelum ini tidak hadir dalam data latihan.
Pelaksanaan Dunia Sebenar
Google DeepMind's GraphCast menjana ramalan global 10 hari dalam masa kurang seminit, digunakan untuk menandakan laluan taufan beberapa hari lebih awal
ECMWF menjalankan model AIFS operasinya untuk melengkapkan ramalan berasaskan fizik tradisionalnya untuk perkhidmatan cuaca Eropah
FourCastNet NVIDIA dengan pantas menghasilkan kumpulan besar untuk menganggarkan kebarangkalian kejadian angin dan hujan yang melampau
GenCast menghasilkan ramalan ensembel berkemungkinan yang mengalahkan ENS ECMWF pada 97 peratus sasaran cuaca yang diuji, meningkatkan panduan trek siklon tropika
Risiko & Pengawal
Keperluan kawal selia boleh membatalkan prototaip yang kukuh.
Data sejarah mungkin mengekod berat sebelah yang membahayakan komuniti tertentu.
Sistem warisan boleh mewujudkan kesesakan penyepaduan dan kos tersembunyi.
Hala Tuju Pelaksanaan
Libatkan pakar domain daripada pembingkaian masalah hingga penilaian.
Reka bentuk jejak audit dan dokumentasi sebelum pelancaran.
Sahkan pematuhan dan kewajipan keselamatan lebih awal.
Melancarkan secara berfasa dengan kriteria hentian dan undur yang jelas.
Teruskan Meneroka
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
Panduan seterusnya
AI dalam Ramalan Banjir
Soalan lazim
What is AI in Weather Forecasting?
Model cuaca AI mempelajari corak atmosfera secara langsung daripada pemerhatian yang lalu selama beberapa dekad, menghasilkan ramalan 10 hari dalam beberapa saat yang menyaingi atau mengalahkan model superkomputer berasaskan fizik yang mengambil masa berjam-jam untuk dijalankan. Ini membentuk semula cara ahli meteorologi meramalkan ribut, gelombang haba dan taufan.
Apakah set data yang dilatih terutamanya oleh model cuaca AI terkemuka seperti GraphCast?
GraphCast dan model serupa dilatih pada analisis semula ERA5 ECMWF, yang menyediakan data atmosfera global setiap jam yang konsisten selama beberapa dekad.
Bagaimanakah model AI seperti GraphCast pada asasnya berbeza daripada ramalan cuaca berangka tradisional?
NWP menyelesaikan persamaan dinamik bendalir secara berangka, manakala AI memodelkan padanan corak perhubungan yang dipelajari daripada data sejarah.
Bagaimanakah GraphCast menghasilkan ramalan 10 hari daripada langkah ramalan 6 jam?
GraphCast meramalkan 6 jam lebih awal, kemudian menyuap semula ramalan itu sebagai input, mengulangi kira-kira 40 kali untuk mencapai 10 hari.
Kira-kira berapa lama GraphCast ambil untuk menjana ramalan global 10 hari pada satu TPU?
Kelebihan utama peramalan AI ialah kelajuan: GraphCast berjalan dalam masa kurang seminit berbanding jam untuk superkomputer NWP.
Apakah batasan utama model cuaca AI berasaskan data semata-mata?
Kerana mereka belajar daripada data sejarah, model AI boleh bergelut dengan peristiwa pecah rekod yang tidak mempunyai preseden dalam set latihan mereka.