Погодные модели ИИ теперь могут превзойти лучшие традиционные прогнозы

НАСА/GSFC, команда быстрого реагирования MODIS, Жак Десклуитр.

Вассили Китсиос, CSIRO

Согласно документу Google DeepMind, опубликованной в природе, новая модель прогнозирования погоды с помощью машинного обучения под названием Gencast может превзойти лучшие традиционные системы прогнозирования, по крайней мере, в некоторых ситуациях.

Используя подход диффузионной модели, аналогичный генераторам изображений искусственного интеллекта (ИИ), система генерирует несколько прогнозов для захвата сложного поведения атмосферы. Это происходит с доли времени и вычислительных ресурсов, необходимых для традиционных подходов.

Как работают прогнозы погоды

Прогнозы погоды, которые мы используем на практике, создаются путем проведения нескольких численных моделирования атмосферы.

Каждое моделирование начинается с немного другой оценки текущей погоды. Это потому, что мы не знаем точно, какая погода в этот момент везде в мире. Чтобы знать это, нам понадобятся измерения датчиков повсюду.

Эти численные моделирования используют модель мировой атмосферы, разделенной на сетку трехмерных блоков. Решая уравнения, описывающие фундаментальные физические законы природы, моделирование предсказывает, что произойдет в атмосфере.

Известные как общие модели циркуляции, эти симуляции нуждаются в большом количестве вычислительной мощности. Обычно они работают на высокопроизводительных суперкомпьютерных объектах.

Машино-обучение погоды

В последние несколько лет был взрыв в усилиях по производству моделей прогнозирования погоды с использованием машинного обучения. Как правило, эти подходы не включают наши знания о законах природы, как это делают общие модели циркуляции.

Большинство из этих моделей используют некоторую форму нейронной сети для изучения моделей в исторических данных и создания единого будущего прогноза. Тем не менее, этот подход дает прогнозы, которые теряют детали по мере их развития в будущем, постепенно становится «более плавным». Эта гладкость не то, что мы видим в реальных погодных системах.

Исследователи в Google DeepMind Ai Research Lab только что опубликовали статью в природе, описывающую свою последнюю модель машинного обучения Gencast.

Gencast смягчает этот сглаживающий эффект, генерируя ансамбль нескольких прогнозов. Каждый индивидуальный прогноз менее гладкий и лучше напоминает сложность, наблюдаемую в природе.

Лучшая оценка фактического будущего приходит от усреднения различных прогнозов. Размер различий между индивидуальными прогнозами указывает на то, насколько существует неопределенность.

Согласно Gencast Paper, этот вероятностный подход создает более точные прогнозы, чем лучшая система численного прогнозирования погоды в мире-та, которая в Европейском центре для прогнозов погоды среднего диапазона.

Генеративный ИИ – для погоды

Gencast обучается так называемым данным повторного анализа с 1979 по 2018 год. Эти данные создаются видом общих моделей циркуляции, о которых мы говорили ранее, которые дополнительно исправляются, чтобы напоминать фактические исторические наблюдения, чтобы создать более последовательную картину Погода мира.

Модель Gencast делает прогнозы нескольких переменных, таких как температура, давление, влажность и скорость ветра на поверхности и на 13 различных высотах, на сетку, которая разделяет мир на 0,25 градусов широты и долготы.

Gencast – это то, что называется «диффузионная модель», аналогичная генераторам изображений ИИ. Тем не менее, вместо того, чтобы принимать текст и создавать изображение, он принимает текущее состояние атмосферы и дает оценку того, на что это будет похоже за 12 часов.

Это работает, сначала устанавливая значения атмосферных переменных на 12 часов в будущем как случайный шум. Затем Gencast использует нейронную сеть для поиска структур в шуме, которые совместимы с текущими и предыдущими погодными переменными. Ансамбль нескольких прогнозов может быть сгенерирован, начиная с различного случайного шума.

Прогнозы истекают до 15 дней, набирая 8 минут на одном процессоре, называемом тензорным процессором (TPU). Это значительно быстрее, чем общая модель циркуляции. Обучение модели заняло пять дней, используя 32 ТПУ.

Прогнозы машинного обучения могут стать более распространенными в ближайшие годы, поскольку они становятся более эффективными и надежными.

Тем не менее, классическое числовое прогнозирование погоды и повторные данные все еще потребуются. Они не только необходимы для обеспечения начальных условий для прогнозов погоды машинного обучения, но и производят входные данные для постоянной настройки моделей машинного обучения.

А как насчет климата?

Текущие системы прогнозирования погоды машинного обучения не подходят для прогнозов климата по трем причинам.

Во -первых, чтобы сделать прогнозы погоды в течение нескольких недель в будущем, вы можете предположить, что океан, земля и морской лед не изменится. Это не относится к климатическим прогнозам в течение нескольких десятилетий.

Во -вторых, прогноз погоды сильно зависит от деталей текущей погоды. Тем не менее, климатические прогнозы связаны с статистикой климатического десятилетия в будущем, для которой сегодняшняя погода не имеет значения. Будущие выбросы углерода являются большим детерминантом будущего состояния климата.

В -третьих, прогноз погоды является проблемой «больших данных». Существует огромное количество соответствующих данных наблюдений, которые необходимо для обучения сложной модели машинного обучения.

Климатическая проекция является проблемой «небольших данных» с относительно небольшим количеством доступных данных. Это связано с тем, что соответствующие физические явления (такие как уровни моря или климатические драйверы, такие как Эль -Ниньо -Югл -колебания), развиваются гораздо медленнее, чем погода.

Есть способы решить эти проблемы. Одним из подходов является использование наших знаний о физике для упрощения наших моделей, что означает, что они требуют меньше данных для машинного обучения.

Другой подход заключается в использовании физических нейронных сетей, чтобы попытаться соответствовать данным, а также удовлетворить законы природы. Третье заключается в том, чтобы использовать физику для установки «основных правил» для системы, а затем использовать машинное обучение для определения конкретных параметров модели.

Машинное обучение играет роль в будущем как прогнозирования погоды, так и климатических прогнозов. Тем не менее, фундаментальная физика – механика жидкости и термодинамика – будет продолжать играть важную роль.

Вассили Китсиос, старший научный сотрудник, прогнозирование климата, CSIRO

Эта статья переиздана из разговора по лицензии Creative Commons. Прочитайте оригинальную статью.

Прочитайте работу в полном объеме

Вероятное прогнозирование погоды с помощью машинного обучения, Илан Прайс, Альваро Санчес-Гонсалес, Ферран Алет, Том Р. Андерссон, Эндрю Эль-Кади, Доминик Мастерс, Тимо Эвальдс, Джеклинн Стотт, Шакир Мохамед, Питер Батталья, Реми Лам и Мэтью Уилсон (2024).