Sztuczna inteligencja w prognozowaniu pogody
Modele pogody oparte na sztucznej inteligencji uczą się wzorców atmosferycznych bezpośrednio na podstawie kilkudziesięciu lat poprzednich obserwacji, tworząc w ciągu kilku sekund 10-dniowe prognozy, które dorównują lub przewyższają modele superkomputerów oparte na fizyce, których uruchomienie zajmowało wiele godzin.
Przegląd
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Głębokie nurkowanie
Przez 70 lat prognozowanie pogody oznaczało rozwiązywanie równań fizyki płynów na gigantycznych superkomputerach — proces zwany numerycznym przewidywaniem pogody (NWP). Sztuczna inteligencja odwraca to podejście: modele takie jak GraphCast firmy DeepMind, Pangu-Weather firmy Huawei i FourCastNet firmy NVIDIA są trenowane na zestawie danych do ponownej analizy ERA5, obejmującym około 40 lat globalnej pogody co godzinę. Uczą się statystycznych zależności między dzisiejszą a jutrzejszą atmosferą, a następnie prognozują je na podstawie dopasowywania wzorców, a nie symulacji fizyki. GraphCast generuje 10-dniową globalną prognozę z rozdzielczością 0,25 stopnia w czasie krótszym niż minuta na pojedynczym TPU w porównaniu z godzinami na klastrze superkomputera. W 2023 r. GraphCast osiągnął lepsze wyniki niż złoty standard ECMWF w przypadku większości zmiennych. Centrum Europejskie prowadzi obecnie własny operacyjny model sztucznej inteligencji, AIFS.
Wgląd techniczny
GraphCast przedstawia kulę ziemską w postaci wykresu: wielu oczek węzłów połączonych w różnych skalach, umożliwiających propagację informacji zarówno lokalnie, jak i na duże odległości w kilku krokach. Grafowa sieć neuronowa rejestruje bieżący i wcześniejszy stan atmosfery, a następnie przewiduje stan na 6 godzin. Aby prognozować 10 dni, przekazuje własne dane wyjściowe w sposób autoregresyjny 40 razy. Trening optymalizuje błąd ważony w odniesieniu do poziomów ciśnienia i zmiennych, takich jak temperatura, wiatr i wilgotność.
Wpływ strategiczny
Kontekst i zasady
Kontekst branżowy decyduje o tym, czy pomysły AI przetrwają kontakt z rzeczywistością.
Kontrola jakości
Ograniczenia domeny wpływają na akceptowalne poziomy błędów i modele nadzoru.
Buduj wybory
Pomyślne wdrożenia łączą możliwości techniczne z przepływami pracy na pierwszej linii frontu.
Przyszłość sztucznej inteligencji w prognozowaniu pogody
Prognozowanie oparte na sztucznej inteligencji przechodzi z badań do codziennych działań: ECMWF, brytyjskie Biuro Meteorologiczne i inne instytucje wykorzystują obecnie modele sztucznej inteligencji równolegle z fizyką. Kolejne granice obejmują zespoły oparte na dyfuzji (GenCast), które określają ilościowo niepewność, modele lokalne w skali kilometrowej oraz „modele podstawowe” dla Ziemi, które łącznie zajmują się pogodą, klimatem i jakością powietrza. Prawdopodobne są systemy hybrydowe łączące szybkość sztucznej inteligencji z niezawodnością fizyki w przypadku rzadkich ekstremów, ponieważ modele oparte wyłącznie na danych mogą nie doceniać bezprecedensowych zdarzeń nieobecnych w danych szkoleniowych.
Implementacja w świecie rzeczywistym
Google GraphCast DeepMind generujący 10-dniowe globalne prognozy w czasie krótszym niż minuta, używany do oznaczania ścieżki cyklonów z kilkudniowym wyprzedzeniem
ECMWF prowadzi swój operacyjny model AIFS w celu uzupełnienia swoich tradycyjnych prognoz opartych na fizyce dla europejskich usług pogodowych
FourCastNet firmy NVIDIA szybko tworzy duże zespoły w celu oszacowania prawdopodobieństwa wystąpienia ekstremalnych wiatrów i opadów
GenCast tworzy probabilistyczne prognozy zbiorcze, które przewyższają ENS ECMWF w przypadku 97 procent testowanych obiektów pogodowych, poprawiając prowadzenie po trasie cyklonu tropikalnego
Zagrożenia i poręcze
Wymogi prawne mogą unieważnić mocne prototypy.
Dane historyczne mogą kodować uprzedzenia, które szkodzą konkretnym społecznościom.
Starsze systemy mogą powodować wąskie gardła w integracji i ukryte koszty.
Plan wdrożenia
Zaangażuj ekspertów dziedzinowych od sformułowania problemu po ocenę.
Zaprojektuj ścieżki audytu i dokumentację przed uruchomieniem.
Wcześnie zweryfikuj wymogi dotyczące zgodności i bezpieczeństwa.
Wdrażaj etapami z jasnymi kryteriami zatrzymania i wycofywania.
Odkrywaj dalej
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
Następny poradnik
Sztuczna inteligencja w prognozowaniu powodzi
Często zadawane pytania
What is AI in Weather Forecasting?
Modele pogody oparte na sztucznej inteligencji uczą się wzorców atmosferycznych bezpośrednio na podstawie kilkudziesięciu lat poprzednich obserwacji, tworząc w ciągu kilku sekund 10-dniowe prognozy, które dorównują lub przewyższają modele superkomputerów oparte na fizyce, których uruchomienie zajmowało wiele godzin. Zmienia to sposób, w jaki meteorolodzy przewidują burze, fale upałów i huragany.
Na jakim zbiorze danych trenują głównie wiodące modele pogody AI, takie jak GraphCast?
GraphCast i podobne modele są szkolone w oparciu o ponowną analizę ERA5 przeprowadzoną przez ECMWF, która zapewnia spójne godzinowe globalne dane atmosferyczne z dziesięcioleci.
Czym model sztucznej inteligencji, taki jak GraphCast, zasadniczo różni się od tradycyjnych numerycznych prognoz pogody?
NWP rozwiązuje numerycznie równania dynamiki płynów, podczas gdy sztuczna inteligencja modeluje dopasowujące się do wzorców zależności wyuczone na podstawie danych historycznych.
W jaki sposób GraphCast tworzy 10-dniową prognozę na podstawie 6-godzinnego kroku przewidywania?
GraphCast przewiduje 6 godzin do przodu, a następnie przekazuje tę prognozę jako dane wejściowe, powtarzając około 40 razy, aby osiągnąć 10 dni.
Ile mniej więcej czasu zajmuje GraphCast wygenerowanie 10-dniowej globalnej prognozy na pojedynczym TPU?
Główną zaletą prognozowania AI jest szybkość: GraphCast działa w czasie krótszym niż minuta w porównaniu do godzin w przypadku superkomputera NWP.
Jakie jest kluczowe ograniczenie modeli pogody AI opartych wyłącznie na danych?
Ponieważ modele sztucznej inteligencji uczą się na podstawie danych historycznych, mogą borykać się z rekordowymi zdarzeniami, które nie mają precedensu w ich zbiorze szkoleniowym.