ШІ в прогнозуванні погоди
ШІ-моделі погоди вивчають атмосферні моделі безпосередньо з десятиліть минулих спостережень, виробляючи 10-денні прогнози за лічені секунди, які конкурують або перемагають суперкомп’ютерні моделі на основі фізики, на виконання яких були потрібні години.
Огляд
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Глибоке занурення
Протягом 70 років прогнозування погоди означало вирішення рівнянь фізики рідини на гігантських суперкомп’ютерах — процес, який називається чисельним прогнозуванням погоди (NWP). Штучний інтелект змінює цей підхід: такі моделі, як GraphCast від Google DeepMind, Pangu-Weather від Huawei та FourCastNet від NVIDIA, навчаються на наборі даних повторного аналізу ERA5, приблизно за 40 років погодинної глобальної погоди. Вони вивчають статистичні зв’язки між сьогоднішньою та завтрашньою атмосферою, а потім прогнозують за шаблонами, а не моделюючи фізику. GraphCast створює 10-денний глобальний прогноз із роздільною здатністю 0,25 градуса менш ніж за хвилину на одному TPU порівняно з годинами на суперкомп’ютерному кластері. У 2023 році GraphCast перевершив модель золотого стандарту ECMWF за більшістю змінних. Зараз Європейський центр використовує власну операційну модель AIFS.
Технічне розуміння
GraphCast представляє земну кулю як графік: кілька сіток вузлів, з’єднаних у кількох масштабах, що дозволяє інформації поширюватися як локально, так і на великі відстані за кілька кроків. Нейронна мережа графів отримує поточний і попередній стан атмосфери, а потім прогнозує стан на 6 годин вперед. Щоб спрогнозувати 10 днів, він повертає свій власний результат авторегресією 40 разів. Навчання оптимізує зважену помилку для рівнів тиску та змінних, таких як температура, вітер і вологість.
Стратегічний вплив
Контекст і правила
Галузевий контекст визначає, чи виживуть ідеї ШІ при контакті з реальністю.
Контроль якості
Обмеження домену впливають на прийнятну кількість помилок і моделі контролю.
Створіть вибір
Успішне розгортання узгоджує технічні можливості з робочими процесами.
Майбутнє штучного інтелекту в прогнозуванні погоди
Прогнозування ШІ переходить від досліджень до повсякденних операцій: ECMWF, Метеорологічний офіс Великобританії та інші тепер використовують моделі ШІ разом із фізикою. Наступні межі включають ансамблі на основі дифузії (GenCast), які кількісно визначають невизначеність, локальні моделі кілометрового масштабу та «основні моделі» для Землі, які разом обробляють погоду, клімат і якість повітря. Імовірно, гібридні системи, що поєднують швидкість штучного інтелекту з надійністю фізики для рідкісних екстремальних ситуацій, оскільки чисті моделі, керовані даними, можуть недооцінювати безпрецедентні події, відсутні в навчальних даних.
Реалізація в реальному світі
Google GraphCast від DeepMind створює 10-денні глобальні прогнози менш ніж за хвилину, які використовуються для позначення шляху циклонів за кілька днів наперед
ECMWF використовує свою оперативну модель AIFS, щоб доповнити свої традиційні прогнози на основі фізики для європейських метеорологічних служб
FourCastNet від NVIDIA швидко створює великі ансамблі для оцінки ймовірності екстремального вітру та опадів
GenCast створює імовірнісні ансамблеві прогнози, які перевершують ECMWF ENS на 97 відсотках перевірених метеорологічних цілей, покращуючи орієнтування тропічного циклону
Ризики та огорожі
Нормативні вимоги можуть зробити недійсними в іншому випадку надійні прототипи.
Історичні дані можуть кодувати упередженість, яка шкодить певним спільнотам.
Застарілі системи можуть створювати вузькі місця інтеграції та приховані витрати.
Дорожня карта впровадження
Залучайте експертів із предметної області від розробки проблеми до оцінки.
Створіть контрольні стежки та документацію перед запуском.
Завчасно перевірте зобов’язання щодо відповідності та безпеки.
Розгортайте поетапно з чіткими критеріями зупинки та відкату.
Продовжуйте досліджувати
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
Наступний посібник
AI у прогнозуванні повеней
Часті запитання
What is AI in Weather Forecasting?
ШІ-моделі погоди вивчають атмосферні моделі безпосередньо з десятиліть минулих спостережень, виробляючи 10-денні прогнози за лічені секунди, які конкурують або перемагають суперкомп’ютерні моделі на основі фізики, на виконання яких були потрібні години. Це змінює те, як метеорологи прогнозують шторми, спеку та урагани.
На якому наборі даних в основному тренуються провідні погодні моделі AI, такі як GraphCast?
GraphCast і подібні моделі тренуються на повторному аналізі ERA5 ECMWF, який забезпечує послідовні погодинні глобальні атмосферні дані за десятиліття.
Чим така модель штучного інтелекту, як GraphCast, принципово відрізняється від традиційного чисельного прогнозу погоди?
NWP чисельно розв’язує рівняння гідродинаміки, тоді як штучний інтелект моделює вивчені зв’язки шаблонів із історичними даними.
Як GraphCast створює 10-денний прогноз із 6-годинного кроку прогнозування?
GraphCast прогнозує на 6 годин вперед, а потім повертає цей прогноз як вхідні дані, повторюючи приблизно 40 разів, щоб досягти 10 днів.
Скільки приблизно часу потрібно GraphCast, щоб створити 10-денний глобальний прогноз на одному TPU?
Головною перевагою прогнозування зі штучним інтелектом є швидкість: GraphCast працює менше хвилини порівняно з годинами для NWP суперкомп’ютера.
Що є ключовим обмеженням моделей погоди штучного інтелекту, що керуються виключно даними?
Оскільки моделі штучного інтелекту навчаються на історичних даних, вони можуть боротися з рекордними подіями, які не мають прецедентів у їх навчальному наборі.