ИИ в прогнозировании погоды
Погодные модели искусственного интеллекта изучают атмосферные закономерности непосредственно на основе десятилетий прошлых наблюдений, создавая 10-дневные прогнозы за секунды, которые конкурируют или превосходят основанные на физике суперкомпьютерные модели, на выполнение которых уходили часы.
Обзор
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Глубокое погружение
В течение 70 лет прогнозирование погоды означало решение уравнений физики жидкостей на гигантских суперкомпьютерах — процесс, называемый численным прогнозом погоды (ЧПП). ИИ меняет этот подход: такие модели, как Google GraphCast от DeepMind, Pangu-Weather от Huawei и FourCastNet от NVIDIA, обучаются на наборе данных реанализа ERA5, то есть примерно за 40 лет почасовой глобальной погоды. Они изучают статистические взаимосвязи между сегодняшней и завтрашней атмосферой, а затем делают прогнозы, сопоставляя их с образцом, а не моделируя физику. GraphCast создает глобальный прогноз на 10 дней с разрешением 0,25 градуса менее чем за минуту на одном TPU, а не за часы на кластере суперкомпьютеров. В 2023 году GraphCast превзошел модель ECMWF «золотого стандарта» по большинству переменных. Европейский центр теперь использует собственную операционную модель искусственного интеллекта AIFS.
Техническая информация
GraphCast представляет земной шар в виде графа: сети узлов, соединенных в разных масштабах, что позволяет информации распространяться как локально, так и на большие расстояния за несколько шагов. Графовая нейронная сеть принимает текущее и предыдущее состояние атмосферы, а затем прогнозирует состояние на 6 часов вперед. Чтобы спрогнозировать 10 дней, он возвращает свой собственный результат авторегрессионно 40 раз. Обучение оптимизирует взвешенную ошибку по уровням давления и таким переменным, как температура, ветер и влажность.
Стратегическое воздействие
Контекст и правила
Отраслевой контекст определяет, выживут ли идеи ИИ при контакте с реальностью.
Контроль качества
Ограничения предметной области влияют на приемлемый уровень ошибок и модели надзора.
Выбор сборки
Успешные развертывания позволяют согласовать технические возможности с рабочими процессами на переднем крае.
Будущее искусственного интеллекта в прогнозировании погоды
Прогнозирование с помощью ИИ переходит от исследований к повседневной деятельности: ECMWF, Метеорологическое бюро Великобритании и другие теперь используют модели ИИ наряду с физикой. Следующие рубежи включают ансамбли на основе диффузии (GenCast), которые количественно определяют неопределенность, локальные модели километрового масштаба и «фундаментальные модели» Земли, которые совместно учитывают погоду, климат и качество воздуха. Гибридные системы, сочетающие скорость искусственного интеллекта с физической надежностью для редких экстремальных ситуаций, вероятны, поскольку модели, основанные исключительно на данных, могут недооценивать беспрецедентные события, отсутствующие в обучающих данных.
Реальная реализация
Google GraphCast от DeepMind генерирует 10-дневные глобальные прогнозы менее чем за минуту и используется для обозначения пути циклонов на несколько дней вперед.
ЕЦСПП использует свою оперативную модель AIFS в дополнение к традиционным прогнозам, основанным на физике, для европейских метеорологических служб.
NVIDIA FourCastNet быстро создает большие ансамбли для оценки вероятности экстремального ветра и осадков.
GenCast создает вероятностные ансамблевые прогнозы, которые превосходят ENS ECMWF по 97 процентам проверенных погодных целей, улучшая управление траекторией тропических циклонов
Риски и ограничения
Нормативные требования могут сделать недействительными сильные прототипы.
Исторические данные могут отражать предвзятость, которая наносит вред конкретным сообществам.
Устаревшие системы могут создавать узкие места в интеграции и скрытые затраты.
Дорожная карта реализации
Привлекайте экспертов в предметной области от постановки проблемы до оценки.
Разработайте журналы аудита и документацию перед запуском.
Заблаговременно проверяйте соответствие требованиям и обязательства по безопасности.
Развертывание поэтапно с четкими критериями остановки и отката.
Продолжайте исследовать
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
Следующее руководство
ИИ в прогнозировании наводнений
Часто задаваемые вопросы
What is AI in Weather Forecasting?
Погодные модели искусственного интеллекта изучают атмосферные закономерности непосредственно на основе десятилетий прошлых наблюдений, создавая 10-дневные прогнозы за секунды, которые конкурируют или превосходят основанные на физике суперкомпьютерные модели, на выполнение которых уходили часы. Это меняет то, как метеорологи прогнозируют штормы, волны тепла и ураганы.
На каком наборе данных в основном тренируются ведущие погодные модели искусственного интеллекта, такие как GraphCast?
GraphCast и подобные модели обучены на основе реанализа ERA5 ECMWF, который предоставляет последовательные ежечасные глобальные атмосферные данные за десятилетия.
Чем модель искусственного интеллекта, такая как GraphCast, принципиально отличается от традиционного численного прогноза погоды?
ЧПП численно решает уравнения гидродинамики, а искусственный интеллект моделирует изученные взаимосвязи на основе исторических данных.
Как GraphCast создает прогноз на 10 дней на основе 6-часового шага прогнозирования?
GraphCast прогнозирует на 6 часов вперед, а затем возвращает этот прогноз в качестве входных данных, повторяя около 40 раз, чтобы достичь 10 дней.
Сколько примерно времени требуется GraphCast для создания 10-дневного глобального прогноза для одного TPU?
Основным преимуществом прогнозирования с помощью ИИ является скорость: GraphCast выполняется менее чем за минуту, а не за часы для суперкомпьютера NWP.
Каково ключевое ограничение моделей погоды, основанных исключительно на ИИ?
Поскольку они учатся на исторических данных, модели ИИ могут бороться с рекордными событиями, не имеющими прецедентов в их обучающей выборке.