AI ในการพยากรณ์อากาศ
โมเดลสภาพอากาศ AI เรียนรู้รูปแบบบรรยากาศโดยตรงจากการสังเกตที่ผ่านมาหลายทศวรรษ สร้างการพยากรณ์ 10 วันในไม่กี่วินาที ซึ่งเทียบเคียงหรือเหนือกว่าโมเดลซูเปอร์คอมพิวเตอร์ที่ใช้ฟิสิกส์ซึ่งใช้เวลาดำเนินการหลายชั่วโมง
ภาพรวม
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
เจาะลึก
เป็นเวลากว่า 70 ปีแล้วที่การพยากรณ์อากาศหมายถึงการแก้สมการฟิสิกส์ของไหลบนซูเปอร์คอมพิวเตอร์ขนาดยักษ์ ซึ่งเป็นกระบวนการที่เรียกว่าการพยากรณ์อากาศเชิงตัวเลข (NWP) AI พลิกแนวทางนี้: โมเดลต่างๆ เช่น Google GraphCast ของ DeepMind, Pangu-Weather ของ Huawei และ FourCastNet ของ NVIDIA ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลการวิเคราะห์ซ้ำ ERA5 ซึ่งเป็นสภาพอากาศทั่วโลกรายชั่วโมงประมาณ 40 ปี พวกเขาเรียนรู้ความสัมพันธ์ทางสถิติระหว่างบรรยากาศของวันนี้และวันพรุ่งนี้ จากนั้นพยากรณ์ด้วยการจับคู่รูปแบบแทนที่จะจำลองฟิสิกส์ GraphCast สร้างการคาดการณ์ทั่วโลก 10 วันที่ความละเอียด 0.25 องศาในเวลาไม่ถึงนาทีบน TPU เดียว เทียบกับชั่วโมงบนคลัสเตอร์ซูเปอร์คอมพิวเตอร์ ในปี 2023 GraphCast มีประสิทธิภาพเหนือกว่ารุ่น ECMWF มาตรฐานทองคำในตัวแปรส่วนใหญ่ ขณะนี้ศูนย์ยุโรปดำเนินการโมเดล AI ในการดำเนินงานของตนเอง ซึ่งก็คือ AIFS
ข้อมูลเชิงลึกทางเทคนิค
GraphCast แสดงถึงโลกในรูปแบบกราฟ: โหนดหลายเมชที่เชื่อมต่อกันในหลายระดับ ช่วยให้ข้อมูลเผยแพร่ทั้งในพื้นที่และในระยะทางไกลได้ในไม่กี่ขั้นตอน โครงข่ายประสาทเทียมแบบกราฟจะนำเข้าสภาวะบรรยากาศปัจจุบันและก่อนหน้า จากนั้นคาดการณ์สถานะล่วงหน้า 6 ชั่วโมง หากต้องการพยากรณ์ 10 วัน ระบบจะป้อนเอาต์พุตของตัวเองกลับแบบถดถอยอัตโนมัติ 40 ครั้ง การฝึกจะปรับข้อผิดพลาดแบบถ่วงน้ำหนักตามระดับความดันและตัวแปรต่างๆ เช่น อุณหภูมิ ลม และความชื้นให้เหมาะสม
ผลกระทบเชิงกลยุทธ์
บริบทและกฎ
บริบททางอุตสาหกรรมเป็นตัวกำหนดว่าแนวคิด AI จะรอดจากการสัมผัสกับความเป็นจริงหรือไม่
การควบคุมคุณภาพ
ข้อจำกัดของโดเมนมีอิทธิพลต่ออัตราข้อผิดพลาดที่ยอมรับได้และแบบจำลองการควบคุมดูแล
สร้างทางเลือก
การปรับใช้ที่ประสบความสำเร็จจะปรับความสามารถทางเทคนิคให้สอดคล้องกับเวิร์กโฟลว์แนวหน้า
อนาคตของ AI ในการพยากรณ์อากาศ
การคาดการณ์ AI กำลังเปลี่ยนจากการวิจัยไปสู่การปฏิบัติงานรายวัน: ECMWF, UK Met Office และหน่วยงานอื่นๆ ใช้งานโมเดล AI ควบคู่ไปกับฟิสิกส์ ขอบเขตถัดไป ได้แก่ วงดนตรีที่อิงการแพร่กระจาย (GenCast) ที่ระบุปริมาณความไม่แน่นอน แบบจำลองท้องถิ่นขนาดกิโลเมตร และ 'แบบจำลองพื้นฐาน' สำหรับโลกที่จัดการสภาพอากาศ สภาพภูมิอากาศ และคุณภาพอากาศร่วมกัน ระบบไฮบริดที่จับคู่ความเร็ว AI กับความน่าเชื่อถือทางฟิสิกส์สำหรับความสุดขั้วที่หายากนั้นมีแนวโน้มว่าจะเป็นไปได้ เนื่องจากโมเดลที่ขับเคลื่อนด้วยข้อมูลล้วนๆ สามารถประเมินเหตุการณ์ที่ไม่เคยเกิดขึ้นมาก่อนซึ่งขาดหายไปจากข้อมูลการฝึกอบรมต่ำเกินไป
การใช้งานจริงในโลกแห่งความเป็นจริง
Google GraphCast ของ DeepMind สร้างการคาดการณ์ทั่วโลก 10 วันในเวลาไม่ถึงนาที ใช้เพื่อกำหนดเส้นทางของพายุไซโคลนล่วงหน้าหลายวัน
ECMWF ใช้โมเดล AIFS ในการดำเนินงานเพื่อเสริมการพยากรณ์ทางฟิสิกส์แบบดั้งเดิมสำหรับบริการสภาพอากาศของยุโรป
FourCastNet ของ NVIDIA ผลิตวงดนตรีขนาดใหญ่อย่างรวดเร็วเพื่อประเมินความน่าจะเป็นของเหตุการณ์ลมแรงและฝนตกหนัก
GenCast จัดทำการคาดการณ์ความน่าจะเป็นที่เอาชนะ ENS ของ ECMWF ใน 97 เปอร์เซ็นต์ของเป้าหมายสภาพอากาศที่ทดสอบ ปรับปรุงคำแนะนำการติดตามพายุหมุนเขตร้อน
ความเสี่ยงและรั้ว
ข้อกำหนดด้านกฎระเบียบอาจทำให้ต้นแบบที่แข็งแกร่งเป็นโมฆะได้
ข้อมูลในอดีตอาจเข้ารหัสอคติที่เป็นอันตรายต่อชุมชนบางแห่ง
ระบบเดิมสามารถสร้างปัญหาคอขวดในการบูรณาการและต้นทุนแอบแฝงได้
แผนงานการดำเนินงาน
ให้ผู้เชี่ยวชาญโดเมนมีส่วนร่วมตั้งแต่การกำหนดกรอบปัญหาไปจนถึงการประเมิน
ออกแบบเส้นทางการตรวจสอบและเอกสารประกอบก่อนการเปิดตัว
ตรวจสอบการปฏิบัติตามข้อกำหนดและภาระผูกพันด้านความปลอดภัยตั้งแต่เนิ่นๆ
เปิดตัวเป็นระยะโดยมีเกณฑ์การหยุดและย้อนกลับที่ชัดเจน
สำรวจต่อไป
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
คำแนะนำต่อไป
AI ในการพยากรณ์น้ำท่วม
คำถามที่พบบ่อย
What is AI in Weather Forecasting?
โมเดลสภาพอากาศ AI เรียนรู้รูปแบบบรรยากาศโดยตรงจากการสังเกตที่ผ่านมาหลายทศวรรษ สร้างการพยากรณ์ 10 วันในไม่กี่วินาที ซึ่งเทียบเคียงหรือเหนือกว่าโมเดลซูเปอร์คอมพิวเตอร์ที่ใช้ฟิสิกส์ซึ่งใช้เวลาดำเนินการหลายชั่วโมง นี่เป็นการปรับเปลี่ยนวิธีที่นักอุตุนิยมวิทยาทำนายพายุ คลื่นความร้อน และพายุเฮอริเคน
ชุดข้อมูลใดที่โมเดลสภาพอากาศ AI ชั้นนำ เช่น GraphCast ฝึกฝนบนชุดข้อมูลเป็นหลัก
GraphCast และโมเดลที่คล้ายกันได้รับการฝึกอบรมเกี่ยวกับการวิเคราะห์ซ้ำ ERA5 ของ ECMWF ซึ่งให้ข้อมูลบรรยากาศทั่วโลกรายชั่วโมงที่สม่ำเสมอมานานหลายทศวรรษ
โมเดล AI เช่น GraphCast แตกต่างโดยพื้นฐานจากการพยากรณ์อากาศเชิงตัวเลขแบบดั้งเดิมอย่างไร
NWP แก้สมการพลศาสตร์ของไหลเป็นตัวเลข ในขณะที่โมเดล AI จับคู่รูปแบบจับคู่ความสัมพันธ์ที่เรียนรู้จากข้อมูลในอดีต
GraphCast สร้างการคาดการณ์ 10 วันจากขั้นตอนการทำนาย 6 ชั่วโมงได้อย่างไร
GraphCast คาดการณ์ล่วงหน้า 6 ชั่วโมง จากนั้นป้อนการคาดการณ์นั้นกลับเป็นอินพุต ทำซ้ำประมาณ 40 ครั้งเพื่อให้ได้ 10 วัน
GraphCast ใช้เวลานานเท่าใดโดยประมาณในการสร้างการคาดการณ์ทั่วโลก 10 วันบน TPU เดียว
ข้อได้เปรียบที่สำคัญของการคาดการณ์ด้วย AI คือความเร็ว: GraphCast ทำงานได้ภายในไม่ถึงนาทีเทียบกับชั่วโมงสำหรับซูเปอร์คอมพิวเตอร์ NWP
ข้อจำกัดที่สำคัญของแบบจำลองสภาพอากาศ AI ที่ขับเคลื่อนด้วยข้อมูลล้วนๆ คืออะไร
เนื่องจากพวกเขาเรียนรู้จากข้อมูลในอดีต โมเดล AI จึงสามารถต่อสู้กับเหตุการณ์ทำลายสถิติที่ไม่เคยมีมาก่อนในชุดการฝึกอบรม