График: модель ИИ для более быстрого и точного глобального прогнозирования погоды

Наша современная модель обеспечивает 10-дневные прогнозы погоды с беспрецедентной точностью за одну минуту

Погода влияет на нас всех, так же большим и маленьким. Это может диктовать, как мы одеваемся по утрам, предоставили нам зеленую энергию и, в худшем случае, создать штормы, которые могут опустошить сообщества. В мире все более экстремальной погоды быстрые и точные прогнозы никогда не были более важными.

В статье, опубликованной в науке, мы вводим Graphcast, современную модель ИИ, способная создавать прогнозы погоды среднего уровня с беспрецедентной точностью. График предсказывает погодные условия до 10 дней более точно и намного быстрее, чем отраслевая система моделирования погоды в отрасли-прогноз высокого разрешения (HRE), созданный Европейским центром для прогнозов погоды среднего уровня (ECMWF).

График также может предложить более ранние предупреждения об экстремальных погодных явлениях. Он может предсказать треки циклонов с большой точностью в дальнейшем в будущем, выявляет атмосферные реки, связанные с риском наводнения, и прогнозирует начало экстремальных температур. Эта способность может спасти жизни за счет большей готовности.

График делает значительный шаг вперед в ИИ для прогнозирования погоды, предлагая более точные и эффективные прогнозы, а также в открытии пути для поддержки принятия решений, критических для потребностей наших отраслей и обществ. И, открывая модельный код для графики, мы позволяем ученым и прогнозам по всему миру принести пользу миллиардам людей в своей повседневной жизни. График уже используется погодными агентствами, включая ECMWF, который проводит живой эксперимент прогнозов нашей модели на своем веб -сайте.

Задача глобального прогнозирования погоды

Предсказание погоды является одним из старейших и сложных и научных усилий. Прогнозы среднего диапазона важны для поддержки принятия ключевых решений в разных секторах, от возобновляемой энергии до логистики событий, но их трудно выполнить точно и эффективно.

Прогнозы, как правило, полагаются на числовой прогноз погоды (NWP), который начинается с тщательно определенных физических уравнений, которые затем переводятся в компьютерные алгоритмы, работающие на суперкомпьютерах. Хотя этот традиционный подход был триумфом науки и техники, проектирование уравнений и алгоритмов занимает много времени и требует глубокого опыта, а также дорогостоящие вычислительные ресурсы для достижения точных прогнозов.

Глубокое обучение предлагает другой подход: использование данных вместо физических уравнений для создания системы прогноза погоды. График обучается на десятилетиях исторических данных о погоде, чтобы изучить модель причин и связанных отношений, которые управляют тем, как развивается погода Земли, от настоящего до будущего.

Важно отметить, что графические и традиционные подходы идут рука об руку: мы обучили график на четыре десятилетия данных повторного анализа погоды, из набора данных ERA5 ECMWF. Эта тропа основана на исторических погодных наблюдениях, таких как спутниковые изображения, радиолокационные станции и погодные станции с использованием традиционного NWP для «заполнения пробелов», где наблюдения неполны, для реконструкции богатой записи глобальной исторической погоды.

График: модель ИИ для прогнозирования погоды

График – это система прогнозирования погоды, основанная на машинном обучении и нейронных сетях графиков (GNNS), которая является особенно полезной архитектурой для обработки пространственно структурированных данных.

График делает прогнозы при высоком разрешении 0,25 градусов долготы/широты (28 км х 28 км на экваторе). Это более миллиона точек сетки, покрывающих всю поверхность Земли. В каждой точке сетки модель предсказывает пять переменных поверхности земли, включая температуру, скорость и направление ветра, а также среднее давление на уровне моря-и шесть атмосферных переменных на каждом из 37 уровней высоты, включая удельную влажность, скорость и направление ветра и направление, и направление, а также направление, и направление и направление температура

В то время как обучение Graphcast была вычислительно интенсивной, результирующая модель прогнозирования очень эффективна. Создание 10-дневных прогнозов с графикой занимает менее минуты на одной машине Google TPU V4. Для сравнения, 10-дневный прогноз с использованием обычного подхода, такого как HRES, может потребоваться часы вычислений в суперкомпьютере с сотнями машин.

В комплексной оценке эффективности по сравнению с золотой стандартной детерминированной системой HRES, Graphcast предоставила более точные прогнозы на более чем 90% из 1380 тестовых переменных и прогнозируемого срока выполнения (подробности см. В нашей научной статье). Когда мы ограничиваем оценку тропосферой, высокая область атмосферы на 6-20 километра в ближайшей к поверхности Земли, где является наиболее важным точным прогнозированием, наша модель превзошла HRE на 99,7% тестовых переменных для будущей погоды.

Лучшие предупреждения о экстремальных погодных явлениях

Наш анализ показал, что графика также может выявить суровые погодные явления раньше, чем традиционные модели прогнозирования, несмотря на то, что они не были обучены их искать. Это яркий пример того, как Graphcast может помочь с готовностью спасти жизни и уменьшить влияние штормов и экстремальных погодных условий на сообщества.

Применяя простой трекер циклона непосредственно на графические прогнозы, мы могли бы предсказать движение циклона более точно, чем модель HRES. В сентябре в живой версии нашей общедоступной графической модели, развернутой на веб -сайте ECMWF, точно предсказанной примерно за девять дней, что ураган Ли застрял в Новой Шотландии. Напротив, традиционные прогнозы имели большую изменчивость в том, где и когда произойдет земля, и заперты в Новой Шотландии всего за шесть дней.

График также может характеризовать атмосферные реки – узкие области атмосферы, которые переносят большую часть водяного пара за пределами тропиков. Интенсивность атмосферной реки может указывать, принесет ли она полезный дождь или наводнение, вызывающее наводнение. Прогнозы графиков могут помочь охарактеризовать атмосферные реки, которые могут помочь планировать аварийные ответы вместе с моделями ИИ для прогнозирования наводнений.

Наконец, прогнозирование экстремальных температур имеет все большее значение в нашем потеплении. График может охарактеризовать, когда тепло поднимается над историческими верхними температурами для любого данного места на Земле. Это особенно полезно в ожидании тепловых волн, разрушительных и опасных событий, которые становятся все более распространенными.

Будущее ИИ для погоды

Графка в настоящее время является самой точной 10-дневной мировой системой прогнозирования погоды в мире и может предсказать экстремальные погодные явления в будущем, чем было ранее. По мере того, как погодные модели развиваются в изменяющемся климате, график будет развиваться и улучшаться по мере того, как становятся доступны данные о более высоком качестве.

Чтобы сделать атмосферовое прогнозирование, мы открыли, мы открыли код нашей модели. ECMWF уже экспериментирует с 10-дневными прогнозами Graphcast, и мы рады увидеть возможности, которые она разблокирует для исследователей-от адаптации модели для конкретных погодных явлений до оптимизации ее для разных частей света.

Графика объединяет другие современные системы прогнозирования погоды из Google DeepMind и Google Research, в том числе региональная модель Now Casticing, которая производит прогнозы на до 90 минут вперед, и Metnet-3, региональная модель прогнозирования погоды, уже действующая в США. и Европа, которая производит более точные 24-часовые прогнозы, чем любая другая система.

Новое использование ИИ в прогнозировании погоды принесет пользу миллиардам людей в их повседневной жизни. Но наше более широкое исследование заключается не только в ожидании погоды, а о понимании более широких моделей нашего климата. Разрабатывая новые инструменты и ускоряя исследования, мы надеемся, что ИИ сможет дать возможность глобальному сообществу решить наши самые большие экологические проблемы.