La nature s'en mêle : 8 minutes pour prédire 15 jours de météo mondiale, DeepMind AI bat le système de prévision météorologique le plus avancé au monde

Les données de l'Organisation météorologique mondiale (OMM) montrent que lesAu cours des 50 dernières années, une catastrophe liée au temps, au climat ou aux inondations s'est produite en moyenne chaque jour, entraînant 115 décès et 202 millions de dollars de pertes économiques par jour.
C'est pourquoi.Construire un système de prévisions météorologiques plus précisqui contribuera à sauver des millions de vies et à réduire les pertes économiques qui se chiffrent en milliers de milliards de dollars.d'une grande importance.
Cependant, les prévisions météorologiques traditionnelles s'appuient sur des algorithmes de prévision numérique du temps (NWP), qui présentent une grande complexité de calcul et une construction de modèle fastidieuse, ce qui rend difficile la génération rapide de prévisions. Les prévisions météorologiques basées sur l'apprentissage automatique (MLWP) ont permis des avancées en termes d'efficacité et de précision des prévisions, mais elles ne sont pas aussi performantes que le système de prévision intégré NWP pour quantifier l'incertitude des prévisions et traiter les corrélations spatiales et temporelles complexes.
Aujourd'hui.GenCast, un modèle d'intelligence artificielle (IA) développé par une équipe de chercheurs de Google DeepMind, a porté les prévisions météorologiques à un tout nouveau niveau de précision et d'efficacité.--
GenCast est capable de générer un ensemble de prévisions stochastiques globales à 15 jours en moins de 8 minutes, par pas de 12 heures, avec une résolution de 0,25°, couvrant plus de 80 variables atmosphériques et de surface, et surpassant les meilleures prévisions globales à moyen terme actuelles sur 97,21 TP3T des mesures évaluées (1 320 mesures au total) - l'ensemble (ENS) du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) - avec de meilleures distributions marginales et conjointes des prévisions. La prévision d'ensemble (ENS) du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) est actuellement la meilleure prévision à moyen terme au monde sur 97,21 mesures d'évaluation TP3T (1 320 mesures au total), avec de meilleures distributions marginales et conjointes des prévisions.
En outre, GenCast est plus efficace dans la prévision des conditions météorologiques extrêmes (températures élevées, vents forts), des trajectoires des cyclones tropicaux et de la production d'énergie éolienne.
Les documents de recherche connexes sont disponibles en tant que "Prévisions météorologiques probabilistes grâce à l'apprentissage automatique"a été publiée dans la prestigieuse revue scientifique Nature En haut.

GenCast : des prévisions météorologiques plus rapides et plus précises

Fig. |Schéma de GenCast générant des prévisions météorologiques.

Figure | La distribution des prévisions marginales de GenCast est habile et bien calibrée.

GenCast surpasse ENS dans la prévision des vents régionaux et des cyclones tropicaux.

GenCast est un nouveau modèle probabiliste de prévision météorologique qui génère une série de scénarios météorologiques possibles à l'aide d'un modèle de diffusion conditionnelle.. Sa principale capacité réside dans la modélisation des distributions de probabilités conditionnelles des états météorologiques futurs, c'est-à-dire dans la génération de prévisions futures basées sur les états météorologiques actuels et antérieurs. Cette approche permet à GenCast de fournir des prévisions météorologiques probabilistes globales à 15 jours avec plus de rapidité et de précision.
En particulier.L'architecture de GenCast se compose de trois modules : l'encodeur, le processeur et le décodeur.Le codeur cartographie l'état météorologique initial sur une grille sphérique finement divisée six fois. Le codeur cartographie l'état météorologique initial sur une grille sphérique qui a été finement divisée six fois, et le processeur transmet l'information graphique à l'ordinateur. transformateur Les corrélations spatio-temporelles complexes sont saisies entre les nœuds de la grille, tandis que le décodeur recadre les résultats sur la grille globale de latitude/longitude pour générer les prévisions météorologiques finales.

En outre, l'équipe a entraîné GenCast avec des données de réanalyse ERA5, un ensemble de données contenant les meilleures analyses d'estimation météorologique au niveau mondial sur une période de 40 ans, garantissant ainsi la capacité du modèle à se généraliser et à fournir une compréhension approfondie des schémas météorologiques historiques.
Pour évaluer les performances de GenCast dans le monde réel, l'équipe de recherche l'a comparé aux systèmes et modèles de pointe actuels. Pour garantir une comparaison équitable, tous les modèles ont été initialisés sur la base des données ERA5 avec une résolution uniforme de 0,25°.
Lors d'expériences comparatives avec d'autres systèmes, GenCast génère des échantillons météorologiques plus proches des observations réelles, et la distribution des prévisions couvre un large éventail de scénarios possibles, ce qui permet aux utilisateurs d'avoir une compréhension plus complète des risques potentiels. Par exemple, les prévisions de GenCast peu avant que le typhon Hibes ne touche terre au Japon étaient très claires, avec un spectre de puissance harmonique sphérique très proche de la vérité terrain d'ERA5 sur la période de prévision de 1 à 15 jours.
Après cela.L'équipe de recherche a évalué les compétences globales en matière de prévision, l'étalonnage et les performances de GenCast et ENS dans le domaine des prévisions météorologiques extrêmes.c'est-à-dire la performance des prévisions marginales. Les prévisions marginales, en tant que prévisions spécifiques des conditions météorologiques à un moment et à un endroit donnés, sont au cœur des services météorologiques quotidiens.
GenCast présente des avantages considérables en termes de performances dans ce domaine. Il génère des distributions de prévisions qui reflètent plus précisément les scénarios météorologiques possibles, non seulement en fournissant des prévisions de variables telles que la température, la vitesse du vent et la pression barométrique qui sont hautement compatibles avec les données réelles, mais aussi en quantifiant efficacement l'incertitude des prévisions grâce à un étalonnage probabiliste amélioré.
Des études spécifiques ont montré queGenCast surpasse ENS dans la prévision des distributions marginales de multiples variables météorologiquesDans un test couvrant 1320 objectifs d'évaluation, GenCast a obtenu des scores de compétence plus élevés (CRPS) à 97,2%, particulièrement efficaces dans les prévisions à court terme (1 à 5 jours).
En attendant.GenCast excelle également dans la prévision des conditions météorologiques extrêmes, telles que les températures élevées et les vents violents.. L'étude a utilisé les scores de compétence de Brier et les courbes de valeur économique relative (REV) pour mesurer la performance des modèles. Les résultats montrent que GenCast est nettement plus performant que ENS dans la prévision des températures élevées (99,991 TP3T tertile) et des températures extrêmement basses (0,011 TP3T tertile).
En outre.Les prévisions de distribution marginale de GenCast montrent de bons étalonnagesCela signifie qu'il est capable d'identifier avec précision les erreurs ou les biais possibles dans les prévisions et de fournir aux utilisateurs une aide à la décision météorologique plus fiable.

Outre les prévisions marginales, GenCast a fait preuve de performances impressionnantes en matière de prévisions conjointes. Les prévisions conjointes se concentrent sur les corrélations spatiales et temporelles entre les variables météorologiques, ce qui est essentiel pour saisir la dynamique des systèmes météorologiques mondiaux. Par exemple, dans les prévisions de trajectoires de cyclones tropicaux, la trajectoire d'un cyclone tropical ne dépend pas seulement d'une seule variable, mais doit également prendre en compte de multiples niveaux d'interactions atmosphériques. GenCast est capable de générer des échantillons météorologiques cohérents dans l'espace et dans le temps qui capturent avec précision ces corrélations complexes afin de produire des prévisions exactes.
En particulier, l'étude analyse les performances de GenCast dans le cas du typhon Hibiscus. La prévision de la trajectoire du typhon montre que la plage d'évaluation de l'incertitude de GenCast couvre davantage de scénarios possibles et que son erreur de prévision de la position de la trajectoire est nettement inférieure à celle d'ENS. Plus important encore, la plage d'incertitude de GenCast converge avec une durée de prévision plus courte, ce qui fournit aux décideurs des informations plus précises sur l'heure et le lieu d'atterrissage.
En outre, dans le cadre de la prévision régionale des vents, GenCast convertit les données relatives à la vitesse du vent à 10 mètres en énergie éolienne, ce qui améliore la précision des prévisions de 20% par rapport à l'ENS, en particulier à court terme, et offre de nouvelles possibilités pour la programmation des énergies renouvelables.

Bien que GenCast ait réalisé une double percée en termes de précision et d'efficacité, il est encore possible de l'optimiser. Par exemple, la résolution pourrait être améliorée pour correspondre aux futures mises à niveau du système ENS, ou le coût de calcul pourrait être réduit par distillation. En outre, un réglage fin à l'aide de données opérationnelles ou l'incorporation de traitements plus traditionnels des conditions initiales de la prévision numérique du temps pourraient accroître considérablement son utilité.

Comment l'IA façonne-t-elle l'avenir des prévisions climatiques ?

L'IA a toujours suscité de grands espoirs dans le domaine des prévisions météorologiques en tant que "solution plus rapide et moins coûteuse pour améliorer les prévisions météorologiques extrêmes".Outre Google, des entreprises technologiques et des universités, dont Huawei et l'université de Tsinghua, ont réalisé des progrès significatifs dans cette direction.
juillet 2023Le modèle Pangu-Weather, développé par Huawei Cloud, a été présenté sur l'écran de l'ordinateur. NatureIl utilise comme données d'entraînement 39 années de données météorologiques réanalysées à l'échelle mondiale, et sa précision de prévision est comparable à celle de l'IFS, le meilleur système de prévision météorologique numérique au monde, et plus de 10 000 fois plus rapide que l'IFS à la même résolution spatiale.
Publié simultanément dans Nature Un autre document sur le sujet décrit la NowcastNetLe modèle combine les lois physiques et l'apprentissage profond pour prévoir les précipitations en temps réel. nowcastNet est performant dans les prévisions de proximité et, sur la base des observations radar, il peut prévoir les précipitations à haute résolution sur une zone de 2048 km × 2048 km jusqu'à 3 heures à l'avance. Sur la base des données radar, NowcastNet peut prévoir des précipitations à haute résolution sur une zone de 2048 km × 2048 km jusqu'à 3 heures à l'avance.
novembre 2023Google DeepMind lance GraphCast, un modèle de prévision météorologique basé sur l'apprentissage automatiqueLe modèle peut prévoir des centaines de variables météorologiques pour les 10 jours à venir en moins d'une minute à une résolution globale de 0,25°, ce qui est nettement plus performant que les méthodes traditionnelles de prévision météorologique et permet d'anticiper les événements extrêmes. L'article de recherche a été publié dans la revue scientifique de référence La science En haut.
En mars 2024, l'équipe Google Research Flood Forecasting a mis au point un modèle d'IA formé à partir des données de 5 680 jauges pour prévoir le ruissellement quotidien des bassins hydrographiques non jaugés dans un délai de sept jours.Le modèle a surpassé GloFAS, le principal système mondial d'alerte aux inondations de l'époque, en termes de prévision le jour même et de prévision des événements météorologiques extrêmes d'une durée d'un an sur cinq.Des articles de recherche pertinents ont été publiés dans des revues scientifiques de premier plan. Nature En haut.
juillet 2024L'équipe de Google Research et ses collaborateurs ont lancé NeuralGCM, un modèle de prévision météorologique et de simulation du climat.La précision du modèle est comparable à celle du modèle ECMWF pour les prévisions météorologiques à court terme de 1 à 15 jours et surpasse les modèles existants pour les prévisions de cyclones et les simulations de trajectoires. Avec l'inclusion de la température du niveau de la mer, les prévisions climatiques du modèle sur 40 ans sont très cohérentes avec la tendance au réchauffement climatique. NeuralGCM peut générer 22,8 jours de simulations atmosphériques en 30 secondes de temps de calcul. L'article de recherche a été publié dans la revue scientifique de référence Nature En haut.
On pense que dans un avenir proche, les prévisions météorologiques pilotées par l'IA joueront un rôle plus important dans l'alerte aux catastrophes, la planification énergétique et l'adaptation au climat, avec une vitesse et une précision accrues, et fourniront à l'humanité un outil plus puissant pour faire face aux défis climatiques de plus en plus complexes.