Die Daten der Weltorganisation für Meteorologie (WMO) zeigen, dass dieIn den letzten 50 Jahren ereignete sich im Durchschnitt jeden Tag eine wetter-, klima- oder flutbedingte Katastrophe, die täglich 115 Todesopfer und wirtschaftliche Verluste in Höhe von 202 Millionen Dollar zur Folge hatte.
Deshalb.Aufbau eines genaueren Wettervorhersagesystemsdie dazu beitragen werden, Millionen von Menschenleben zu retten und wirtschaftliche Verluste in Höhe von Billionen von Dollar zu vermeiden.von großer Bedeutung.
Die traditionelle Wettervorhersage stützt sich jedoch auf numerische Wettervorhersagealgorithmen (NWP), die eine hohe Rechenkomplexität und eine zeitaufwändige Modellkonstruktion aufweisen, was die schnelle Erstellung von Prognosen erschwert. Die auf maschinellem Lernen basierende Wettervorhersage (Machine Learning-based Weather Prediction, MLWP) hat einige Durchbrüche bei der Effizienz und der Einzelvorhersagegenauigkeit erzielt, ist aber bei der Quantifizierung der Vorhersageunsicherheit und dem Umgang mit komplexen räumlichen und zeitlichen Korrelationen nicht so gut wie das integrierte NWP-Vorhersagesystem.
Heute.GenCast, ein Modell der künstlichen Intelligenz (KI), das von einem Team von Google DeepMind-Forschern entwickelt wurde, hat die Wettervorhersage auf eine ganz neue Ebene der Genauigkeit und Effizienz gehoben--
GenCast ist in der Lage, eine Reihe stochastischer globaler 15-Tage-Vorhersagen in 8 Minuten zu generieren, mit 12-Stunden-Zeitschritten und 0,25°-Auflösung, die mehr als 80 Oberflächen- und atmosphärische Variablen abdecken und bei 97,21 TP3T der bewerteten Metriken (1320 Metriken insgesamt) die beste derzeitige globale Mittelfristvorhersage - die Ensemble-Vorhersage (ENS) des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) - mit besseren marginalen und gemeinsamen Vorhersageverteilungen übertreffen. Die Ensemble-Vorhersage (ENS) des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW) ist derzeit die beste mittelfristige Vorhersage der Welt bei 97,21 TP3T-Bewertungsmetriken (1320 Metriken insgesamt), mit besseren Rand- und gemeinsamen Vorhersageverteilungen.
Darüber hinaus ist GenCast effektiver bei der Vorhersage extremer Wetterlagen (z. B. hohe Temperaturen, starke Winde), tropischer Wirbelstürme und der Windenergieerzeugung.
Entsprechende Forschungsarbeiten sind verfügbar unter "Probabilistische Wettervorhersage mit maschinellem Lernen" wurde in der angesehenen wissenschaftlichen Zeitschrift veröffentlicht Natur Auf.
GenCast: schnellere und genauere Vorhersage des künftigen Wetters
Abb.: Schematische Darstellung der GenCast-Wettervorhersage.
Abbildung | Die marginale Prognoseverteilung von GenCast ist geschickt und gut kalibriert.
GenCast übertrifft ENS bei der Vorhersage regionaler Winde und tropischer Wirbelstürme.
GenCast ist ein neues probabilistisches Wettervorhersagemodell, das mit Hilfe eines bedingten Diffusionsmodells eine Reihe möglicher Wetterszenarien erzeugt.. Die Kernkompetenz von GenCast liegt in der Modellierung bedingter Wahrscheinlichkeitsverteilungen künftiger Wetterlagen, d. h. in der Erstellung künftiger Prognosen auf der Grundlage aktueller und früherer Wetterlagen. Dieser Ansatz ermöglicht es GenCast, globale probabilistische 15-Tage-Wettervorhersagen mit größerer Geschwindigkeit und Genauigkeit zu erstellen.
Konkret.Die Architektur von GenCast besteht aus drei Modulen: Encoder, Prozessor und Decoder.Der Encoder bildet den anfänglichen Wetterzustand auf ein 6-fach fein unterteiltes sphärisches Gitter ab. Der Encoder bildet den anfänglichen Wetterzustand auf ein sechsmal fein unterteiltes sphärisches Gitter ab, der Prozessor erfasst komplexe räumlich-zeitliche Korrelationen zwischen Gitterknoten über einen Graphentransformator, und der Decoder bildet die Ergebnisse wieder auf das globale Breiten-/Längengitter ab und erzeugt so die endgültige Wettervorhersage.
Darüber hinaus trainierte das Team GenCast mit ERA5-Reanalysedaten, einem Datensatz, der die besten Wettervorhersageanalysen weltweit über einen Zeitraum von 40 Jahren enthält, um die Fähigkeit des Modells zur Verallgemeinerung und ein tiefes Verständnis historischer Wettermuster zu gewährleisten.
Um die Leistung von GenCast unter realen Bedingungen zu bewerten, hat das Forschungsteam einen Vergleich mit den derzeit modernsten Systemen und Modellen durchgeführt. Um einen fairen Vergleich zu gewährleisten, wurden alle Modelle auf der Grundlage von ERA5-Daten mit einer einheitlichen Auflösung von 0,25° initialisiert.
In Experimenten mit anderen Systemen erzeugt GenCast Wetterproben, die näher an den tatsächlichen Beobachtungen liegen, und die Vorhersageverteilung deckt ein breites Spektrum möglicher Szenarien ab, was den Nutzern ein umfassenderes Verständnis potenzieller Risiken vermittelt. Beispielsweise waren die Vorhersagen von GenCast kurz vor dem Landfall des Taifuns Hibes in Japan sehr eindeutig, mit einem sphärischen harmonischen Leistungsspektrum, das sehr nahe an der wahren ERA5-Bodenwahrheit über den Vorhersagezeitraum von 1-15 Tagen lag.
Und dann.Das Forschungsteam bewertete die allgemeinen Vorhersagefähigkeiten, die Kalibrierung und die Leistung von GenCast und ENS bei der Vorhersage von Extremwetterlagend.h. die marginale Vorhersageleistung. Die Randvorhersage als spezifische Vorhersage der Wetterbedingungen zu einer bestimmten Zeit und an einem bestimmten Ort steht im Mittelpunkt der täglichen Wetterdienste.
GenCast weist in diesem Bereich starke Leistungsvorteile auf. Es erzeugt Vorhersageverteilungen, die mögliche Wetterszenarien genauer widerspiegeln, und zwar nicht nur durch Vorhersagen von Variablen wie Temperatur, Windgeschwindigkeit und Luftdruck, die in hohem Maße mit realen Daten kompatibel sind, sondern auch durch eine effektive Quantifizierung der Vorhersageunsicherheit durch eine verbesserte probabilistische Kalibrierung.
Spezifische Studien haben gezeigt, dassGenCast übertrifft ENS bei der Vorhersage von Randverteilungen mehrerer meteorologischer VariablenIn einem Test, der 1320 Bewertungsziele umfasste, erzielte GenCast mit 97,2% höhere Kompetenzwerte (CRPS), die besonders bei kurzfristigen Prognosen (1 bis 5 Tage) wirksam waren.
Inzwischen.GenCast eignet sich auch hervorragend für die Vorhersage extremer Wetterbedingungen wie hoher Temperaturen und starker Winde.. In der Studie wurden Brier-Skill-Scores und relative ökonomische Wertkurven (REV) zur Messung der Modellleistung verwendet. Die Ergebnisse zeigen, dass GenCast bei der Vorhersage von Ereignissen mit hoher Temperatur (99,991 TP3T-Tertil) und extremer niedriger Temperatur (0,011 TP3T-Tertil) deutlich besser abschneidet als ENS.
Darüber hinaus.GenCast's Marginal Distribution Prognosen zeigen gute KalibrierungenDas bedeutet, dass sie in der Lage ist, mögliche Fehler oder Verzerrungen in der Vorhersage genau zu erkennen und den Nutzern eine zuverlässigere Entscheidungshilfe für das Wetter zu bieten.
Zusätzlich zu den Randvorhersagen hat GenCast eine beeindruckende Leistung bei gemeinsamen Vorhersagen gezeigt. Gemeinsame Vorhersagen konzentrieren sich auf die räumlichen und zeitlichen Korrelationen zwischen Wettervariablen, was für die Erfassung der Dynamik globaler Wettersysteme entscheidend ist. Bei der Vorhersage der Zugbahn eines tropischen Wirbelsturms beispielsweise hängt die Zugbahn eines tropischen Wirbelsturms nicht nur von einer einzigen Variable ab, sondern es müssen auch mehrere Ebenen atmosphärischer Wechselwirkungen berücksichtigt werden. GenCast ist in der Lage, räumlich und zeitlich konsistente Wetterproben zu erzeugen, die diese komplexen Korrelationen genau erfassen, um genaue Vorhersagen zu erstellen.
In der Studie wird insbesondere die Leistung von GenCast im Fall des Taifuns Hibiscus analysiert. Die Vorhersage der Taifunspur zeigt, dass der Unsicherheitsbereich von GenCast mehr mögliche Szenarien abdeckt und sein Fehler bei der Vorhersage der Spurposition deutlich geringer ist als der von ENS. Noch wichtiger ist, dass der Unsicherheitsbereich von GenCast mit kürzerer Vorhersagezeit konvergiert, was den Entscheidungsträgern genauere Informationen über Landezeit und -ort liefert.
Darüber hinaus wandelt GenCast bei der regionalen Windvorhersage 10-Meter-Windgeschwindigkeitsdaten in Windenergieleistung um, was die Vorhersagegenauigkeit um 20% im Vergleich zu ENS verbessert, insbesondere auf kurzen Zeitskalen, und neue Möglichkeiten für die Planung von erneuerbaren Energien bietet.
Obwohl GenCast einen doppelten Durchbruch in Bezug auf Genauigkeit und Effizienz erzielt hat, gibt es noch Raum für weitere Optimierungen. So könnte beispielsweise die Auflösung verbessert werden, um sie an künftige Upgrades des ENS-Systems anzupassen, oder die Rechenkosten könnten durch Destillation gesenkt werden. Darüber hinaus könnte die Feinabstimmung mit Betriebsdaten oder die Einbeziehung traditionellerer NWP-Ausgangsbedingungen den Nutzen des Systems erheblich steigern.
Wie verändert die KI die Zukunft der Klimaprognose?
In die KI werden seit jeher große Hoffnungen im Bereich der Wettervorhersage gesetzt, da sie eine schnellere und billigere Alternative zur Verbesserung der Extremwettervorhersage darstellt.Neben Google haben auch Technologieunternehmen und Universitäten, darunter Huawei und die Tsinghua-Universität, bedeutende Fortschritte in dieser Richtung erzielt.
Juli 2023Das von Huawei Cloud entwickelte Modell Pangu-Weather wurde auf dem NaturEs verwendet 39 Jahre global reanalysierter Wetterdaten als Trainingsdaten, und seine Vorhersagegenauigkeit ist mit der des IFS, des weltweit besten numerischen Wettervorhersagesystems, vergleichbar und bei gleicher räumlicher Auflösung mehr als 10.000 Mal schneller als das IFS.
Gleichzeitige Veröffentlichung in Natur Ein anderes Papier zu diesem Thema beschreibt die NowcastNetDas Modell kombiniert physikalische Gesetze und Deep Learning zur Vorhersage von Niederschlag in Echtzeit. nowcastNet zeigt gute Leistungen bei der Vorhersage in der Nähe und kann auf der Grundlage von Radarbeobachtungen hochauflösenden Niederschlag über ein Gebiet von 2048 km × 2048 km bis zu 3 Stunden im Voraus vorhersagen. Auf der Grundlage von Radardaten kann NowcastNet hochauflösenden Niederschlag über ein Gebiet von 2048 km × 2048 km bis zu 3 Stunden im Voraus vorhersagen.
November 2023Google DeepMind bringt GraphCast auf den Markt, ein auf maschinellem Lernen basierendes WettervorhersagemodellDas Modell kann Hunderte von Wettervariablen für die nächsten 10 Tage in weniger als einer Minute bei einer globalen Auflösung von 0,25° vorhersagen und übertrifft damit herkömmliche Wettervorhersagemethoden erheblich und zeigt gute Leistungen bei der Vorhersage von Extremereignissen. Die Forschungsarbeit wurde in der führenden wissenschaftlichen Zeitschrift veröffentlicht Wissenschaft Auf.
Im März 2024 entwickelte das Team von Google Research Flood Forecasting ein KI-Modell, das mit den Daten von 5.680 Pegeln trainiert wurde, um den täglichen Abfluss von nicht gemessenen Wassereinzugsgebieten innerhalb von sieben Tagen vorherzusagen.Das Modell übertraf GloFAS, das damals führende globale Hochwasserwarnsystem, bei der Vorhersage am selben Tag und bei der Vorhersage des 1-in-5-Jahres-Extremwetterereignisses.Einschlägige Forschungsarbeiten wurden in führenden wissenschaftlichen Fachzeitschriften veröffentlicht Natur Auf.
Juli 2024Das Team von Google Research und seine Mitarbeiter haben NeuralGCM, ein Modell zur Wettervorhersage und Klimasimulation, auf den Markt gebracht.Die Genauigkeit des Modells ist mit der des ECMWF-Modells für kurzfristige Wettervorhersagen von 1-15 Tagen vergleichbar und übertrifft die bestehenden Modelle für Wirbelsturmvorhersagen und Zugbahnsimulationen. Durch die Einbeziehung der Temperatur des Meeresspiegels stimmen die 40-Jahres-Klimavorhersagen des Modells in hohem Maße mit dem globalen Erwärmungstrend überein. NeuralGCM kann in 30 Sekunden Rechenzeit atmosphärische Simulationen für 22,8 Tage erstellen. Die Forschungsergebnisse wurden in der führenden wissenschaftlichen Fachzeitschrift Natur Auf.
Es wird davon ausgegangen, dass die KI-gestützte Wettervorhersage in naher Zukunft eine größere Rolle bei der Katastrophenwarnung, der Energieplanung und der Klimaanpassung spielen wird, und zwar mit höherer Geschwindigkeit und Genauigkeit, und der Menschheit ein leistungsfähigeres Instrument zur Bewältigung der immer komplexeren klimatischen Herausforderungen an die Hand geben wird.
