AI trong dự báo thời tiết
Các mô hình thời tiết AI tìm hiểu các mô hình khí quyển trực tiếp từ các quan sát trước đây trong nhiều thập kỷ, đưa ra dự báo 10 ngày chỉ trong vài giây có thể cạnh tranh hoặc đánh bại các mô hình siêu máy tính dựa trên vật lý vốn phải mất hàng giờ để chạy.
Tổng quan
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Lặn sâu
Trong 70 năm, dự báo thời tiết có nghĩa là giải các phương trình vật lý chất lỏng trên các siêu máy tính khổng lồ - một quá trình được gọi là dự đoán thời tiết bằng số (NWP). AI lật ngược cách tiếp cận này: các mô hình như Google GraphCast của DeepMind, Pangu-Weather của Huawei và FourCastNet của NVIDIA được đào tạo trên tập dữ liệu phân tích lại ERA5, khoảng 40 năm về thời tiết toàn cầu theo giờ. Họ tìm hiểu các mối quan hệ thống kê giữa bầu khí quyển hôm nay và ngày mai, sau đó dự báo bằng cách khớp mô hình thay vì mô phỏng vật lý. GraphCast tạo ra dự báo toàn cầu trong 10 ngày ở độ phân giải 0,25 độ trong vòng chưa đầy một phút trên một TPU duy nhất, so với hàng giờ trên cụm siêu máy tính. Vào năm 2023, GraphCast hoạt động tốt hơn mô hình ECMWF tiêu chuẩn vàng trên hầu hết các biến số. Trung tâm Châu Âu hiện đang vận hành mô hình AI hoạt động của riêng mình, AIFS.
Hiểu biết kỹ thuật
GraphCast thể hiện hình ảnh địa cầu dưới dạng biểu đồ: một mạng lưới các nút được kết nối ở nhiều tỷ lệ, cho phép thông tin được truyền đi cả cục bộ và trên khoảng cách xa chỉ trong vài bước. Mạng lưới thần kinh đồ thị tiếp nhận trạng thái khí quyển hiện tại và trước đó, sau đó dự đoán trạng thái đó trước 6 giờ. Để dự báo trong 10 ngày, nó sẽ tự động cung cấp lại sản lượng của chính nó theo cách tự động, 40 lần. Quá trình đào tạo tối ưu hóa sai số có trọng số theo các mức áp suất và các biến số như nhiệt độ, gió và độ ẩm.
Tác động chiến lược
Bối cảnh và quy tắc
Bối cảnh của ngành quyết định liệu các ý tưởng AI có tồn tại được khi tiếp xúc với thực tế hay không.
Kiểm soát chất lượng
Các ràng buộc về miền ảnh hưởng đến tỷ lệ lỗi có thể chấp nhận được và các mô hình giám sát.
Xây dựng lựa chọn
Triển khai thành công sẽ điều chỉnh năng lực kỹ thuật phù hợp với quy trình làm việc tuyến đầu.
Tương lai của AI trong dự báo thời tiết
Dự báo AI đang chuyển từ nghiên cứu sang hoạt động hàng ngày: ECMWF, Văn phòng Met Vương quốc Anh và các tổ chức khác hiện đang chạy các mô hình AI cùng với vật lý. Các ranh giới tiếp theo bao gồm các nhóm dựa trên sự khuếch tán (GenCast) để định lượng sự không chắc chắn, các mô hình địa phương ở quy mô km và 'các mô hình nền tảng' cho Trái đất xử lý thời tiết, khí hậu và chất lượng không khí cùng nhau. Có khả năng các hệ thống lai kết hợp tốc độ AI với độ tin cậy của vật lý đối với các trường hợp cực đoan hiếm gặp, vì các mô hình dựa trên dữ liệu thuần túy có thể đánh giá thấp các sự kiện chưa từng có không có trong dữ liệu đào tạo.
Triển khai trong thế giới thực
Google GraphCast của DeepMind tạo dự báo toàn cầu trong 10 ngày trong vòng chưa đầy một phút, được sử dụng để đánh dấu đường đi của lốc xoáy trước những ngày
ECMWF đang chạy mô hình AIFS đang hoạt động của mình để bổ sung cho các dự báo dựa trên vật lý truyền thống cho các dịch vụ thời tiết ở Châu Âu
FourCastNet của NVIDIA nhanh chóng tạo ra các nhóm lớn để ước tính xác suất xảy ra các hiện tượng gió và mưa cực đoan
GenCast tạo ra các dự báo tổng hợp xác suất đánh bại ENS của ECMWF trên 97% mục tiêu thời tiết được thử nghiệm, cải thiện hướng dẫn theo dõi bão nhiệt đới
Rủi ro & lan can
Các yêu cầu pháp lý có thể vô hiệu hóa các nguyên mẫu mạnh mẽ.
Dữ liệu lịch sử có thể mã hóa thành kiến gây tổn hại cho các cộng đồng cụ thể.
Các hệ thống cũ có thể tạo ra các nút thắt cổ chai trong tích hợp và chi phí tiềm ẩn.
Lộ trình thực hiện
Thu hút các chuyên gia trong lĩnh vực từ việc xác định vấn đề đến đánh giá.
Thiết kế các đường dẫn kiểm tra và tài liệu trước khi ra mắt.
Xác nhận sớm các nghĩa vụ tuân thủ và an toàn.
Triển khai theo từng giai đoạn với tiêu chí dừng và khôi phục rõ ràng.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
AI trong dự báo lũ lụt
Câu hỏi thường gặp
What is AI in Weather Forecasting?
Các mô hình thời tiết AI tìm hiểu các mô hình khí quyển trực tiếp từ các quan sát trước đây trong nhiều thập kỷ, đưa ra dự báo 10 ngày chỉ trong vài giây có thể cạnh tranh hoặc đánh bại các mô hình siêu máy tính dựa trên vật lý vốn phải mất hàng giờ để chạy. Điều này đang định hình lại cách các nhà khí tượng học dự đoán bão, sóng nhiệt và cuồng phong.
Các mô hình thời tiết AI hàng đầu như GraphCast chủ yếu đào tạo tập dữ liệu nào?
GraphCast và các mô hình tương tự được đào tạo về phân tích lại ERA5 của ECMWF, cung cấp dữ liệu khí quyển toàn cầu nhất quán hàng giờ trong nhiều thập kỷ.
Mô hình AI như GraphCast về cơ bản khác với dự đoán thời tiết bằng số truyền thống như thế nào?
NWP giải quyết bằng số các phương trình động lực học chất lỏng, trong khi AI lập mô hình khớp mẫu các mối quan hệ đã học từ dữ liệu lịch sử.
GraphCast tạo dự báo 10 ngày từ bước dự đoán 6 giờ như thế nào?
GraphCast dự đoán trước 6 giờ, sau đó cung cấp lại dự đoán đó làm đầu vào, lặp lại khoảng 40 lần để đạt được 10 ngày.
GraphCast mất khoảng bao lâu để tạo dự báo toàn cầu trong 10 ngày trên một TPU?
Ưu điểm chính của dự báo AI là tốc độ: GraphCast chạy trong chưa đầy một phút so với hàng giờ đối với siêu máy tính NWP.
Hạn chế chính của các mô hình thời tiết AI hoàn toàn dựa trên dữ liệu là gì?
Bởi vì học từ dữ liệu lịch sử, các mô hình AI có thể gặp khó khăn với các sự kiện phá kỷ lục chưa từng có trong tập huấn luyện của chúng.