Dados da Organização Meteorológica Mundial (OMM) mostram que oNos últimos 50 anos, uma média de um desastre relacionado ao tempo, ao clima ou a enchentes ocorreu todos os dias, resultando em 115 mortes e US$ 202 milhões em perdas econômicas todos os dias.
Portanto.Criação de um sistema de previsão do tempo mais precisoque ajudará a salvar milhões de vidas e reduzirá trilhões de dólares em perdas econômicas.de grande importância.
No entanto, a previsão do tempo tradicional depende de algoritmos de previsão numérica do tempo (NWP), que têm alta complexidade computacional e construção de modelos demorados, o que dificulta a geração rápida de previsões. A previsão meteorológica baseada em aprendizado de máquina (MLWP) fez alguns avanços em termos de eficiência e precisão de previsão única, mas não é tão boa quanto o sistema de previsão integrado NWP na quantificação da incerteza da previsão e no tratamento de correlações espaciais e temporais complexas.
Hoje.O GenCast, um modelo de inteligência artificial (IA) desenvolvido por uma equipe de pesquisadores do Google DeepMind, levou a previsão do tempo a um nível totalmente novo de precisão e eficiência--
O GenCast é capaz de gerar um conjunto de previsões globais estocásticas de 15 dias em menos de 8 minutos, em intervalos de tempo de 12 horas, com resolução de 0,25°, abrangendo mais de 80 variáveis atmosféricas e de superfície, e superando as melhores previsões globais de médio prazo atuais em 97,21 TP3T das métricas avaliadas (1.320 métricas no total) - o conjunto do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) (ENS) - com melhores distribuições marginais e conjuntas de previsão. A previsão do conjunto (ENS) do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) é atualmente a melhor previsão de médio prazo do mundo em 97,21 métricas de avaliação TP3T (1.320 métricas no total), com melhores margens e distribuições conjuntas de previsão.
Além disso, o GenCast é mais eficaz na previsão de condições climáticas extremas (por exemplo, altas temperaturas, ventos fortes), rotas de ciclones tropicais e produção de energia eólica.
Os documentos de pesquisa relacionados estão disponíveis como "Previsão meteorológica probabilística com aprendizado de máquina" foi publicado na prestigiada revista científica Natureza Para cima.
GenCast: previsões mais rápidas e precisas do clima futuro
Fig. |Diagrama esquemático do GenCast gerando previsões meteorológicas.
Figura | A distribuição de previsão marginal do GenCast é hábil e bem calibrada.
O GenCast supera o ENS na previsão de ventos regionais e ciclones tropicais.
O GenCast é um novo modelo de previsão meteorológica probabilística que gera uma série de cenários meteorológicos possíveis usando um modelo de difusão condicional.. Sua principal capacidade está na modelagem de distribuições de probabilidade condicional de estados climáticos futuros, ou seja, na geração de previsões futuras com base em estados climáticos atuais e anteriores. Essa abordagem permite que o GenCast forneça previsões meteorológicas probabilísticas globais de 15 dias com maior velocidade e precisão.
Especificamente.A arquitetura do GenCast consiste em três módulos: codificador, processador e decodificador.O codificador mapeia o estado climático inicial em uma grade esférica dividida finamente seis vezes. O codificador mapeia o estado climático inicial em uma grade esférica que foi finamente dividida seis vezes, o processador captura correlações espaço-temporais complexas entre os nós da grade por meio de um transformador de gráfico e o decodificador remapeia os resultados de volta para a grade global de latitude/longitude, gerando a previsão do tempo final.
Além disso, a equipe treinou o GenCast com dados de reanálise ERA5, um conjunto de dados que contém as melhores análises de estimativas meteorológicas em todo o mundo durante um período de 40 anos, garantindo a capacidade do modelo de generalizar e fornecer uma compreensão profunda dos padrões meteorológicos históricos.
Para avaliar o desempenho do GenCast no mundo real, a equipe de pesquisa comparou-o com os sistemas e modelos atuais mais avançados. Para garantir uma comparação justa, todos os modelos foram inicializados com base nos dados do ERA5 com uma resolução uniforme de 0,25°.
Em experimentos com outros sistemas, o GenCast gera amostras meteorológicas que estão mais próximas das observações reais, e a distribuição da previsão abrange uma ampla gama de cenários possíveis, proporcionando aos usuários uma compreensão mais abrangente dos riscos potenciais. Por exemplo, as previsões do GenCast pouco antes da chegada do tufão Hibes ao Japão foram muito claras, com um espectro de potência harmônica esférica muito próximo da verdade terrestre do ERA5 no período de previsão de 1 a 15 dias.
Depois disso.A equipe de pesquisa avaliou a capacidade geral de previsão, a calibração e o desempenho do GenCast e do ENS na previsão de condições meteorológicas extremasou seja, o desempenho da previsão marginal. As previsões marginais, como previsões específicas das condições meteorológicas em um determinado momento e local, estão no centro dos serviços meteorológicos diários.
O GenCast demonstra grandes vantagens de desempenho nessa área. Ele gera distribuições de previsão que refletem com mais precisão os possíveis cenários climáticos, não apenas fornecendo previsões de variáveis como temperatura, velocidade do vento e pressão barométrica que são altamente compatíveis com dados reais, mas também quantificando com eficácia a incerteza da previsão por meio de uma calibração probabilística aprimorada.
Estudos específicos demonstraram queO GenCast supera o ENS na previsão de distribuições marginais de várias variáveis meteorológicasEm um teste que abrangeu 1.320 objetivos de avaliação, o GenCast obteve pontuações de habilidade mais altas (CRPS) de 97,2%, particularmente eficaz em previsões de curto prazo (1 a 5 dias).
Enquanto isso.O GenCast também se destaca na previsão de condições climáticas extremas, como altas temperaturas e ventos fortes.. O estudo usou as pontuações de habilidade de Brier e as curvas de valor econômico relativo (REV) para medir o desempenho do modelo. Os resultados mostram que o GenCast supera significativamente o ENS na previsão de eventos de alta temperatura (quantil TP3T de 99,991) e de temperaturas extremamente baixas (quantil TP3T de 0,011).
Além disso.As previsões de distribuição marginal do GenCast mostram boas calibraçõesIsso significa que ele é capaz de identificar com precisão possíveis erros ou vieses na previsão e fornecer aos usuários um suporte mais confiável às decisões meteorológicas.
Além das previsões marginais, o GenCast demonstrou um desempenho impressionante em previsões conjuntas. As previsões conjuntas concentram-se nas correlações espaciais e temporais entre as variáveis meteorológicas, o que é fundamental para capturar a dinâmica dos sistemas meteorológicos globais. Por exemplo, na previsão da trajetória de ciclones tropicais, o caminho de um ciclone tropical não depende apenas de uma única variável, mas também precisa levar em conta vários níveis de interações atmosféricas. O GenCast é capaz de gerar amostras meteorológicas consistentes em termos espaciais e temporais que capturam com precisão essas correlações complexas para produzir previsões precisas.
Em particular, o estudo analisa o desempenho do GenCast no caso do tufão Hibiscus. A previsão do rastro do tufão mostra que a faixa de avaliação de incerteza do GenCast abrange mais cenários possíveis, e seu erro na previsão da posição do rastro é significativamente menor do que o do ENS e, mais importante, a faixa de incerteza do GenCast converge com um tempo de previsão mais curto, o que fornece aos tomadores de decisão informações mais precisas sobre o horário e o local de pouso.
Além disso, na previsão de ventos regionais, o GenCast converte dados de velocidade de vento de 10 metros em produção de energia eólica, o que melhora a precisão da previsão em 20% em comparação com o ENS, especialmente em escalas de tempo curtas, e oferece novas possibilidades de programação de energia renovável.
Embora o GenCast tenha alcançado um duplo avanço em termos de precisão e eficiência, ainda há espaço para mais otimizações. Por exemplo, a resolução poderia ser aprimorada para corresponder às futuras atualizações do sistema ENS, ou o custo computacional poderia ser reduzido por meio de destilação. Além disso, o ajuste fino com dados operacionais ou a incorporação de tratamentos de condições iniciais de PNT mais tradicionais poderia aumentar significativamente sua utilidade.
Como a IA está remodelando o futuro da previsão climática?
A IA sempre teve grandes esperanças no campo da previsão do tempo como "uma alternativa mais rápida e barata para melhorar a previsão de condições climáticas extremas".Além do Google, empresas de tecnologia e universidades, incluindo a Huawei e a Universidade de Tsinghua, fizeram progressos significativos nessa direção.
Julho de 2023O modelo Pangu-Weather, desenvolvido pela Huawei Cloud, foi apresentado no NaturezaEle usa 39 anos de dados meteorológicos reanalisados globalmente como dados de treinamento, e sua precisão de previsão é comparável à do IFS, o melhor sistema de previsão numérica do tempo do mundo, e mais de 10.000 vezes mais rápido do que o IFS na mesma resolução espacial.
Publicado simultaneamente em Natureza Outro artigo sobre o assunto descreve o NowcastNetO modelo combina leis físicas e aprendizagem profunda para prever a precipitação em tempo real. O nowcastNet tem bom desempenho na previsão de proximidade e, com base em observações de radar, pode prever a precipitação de alta resolução em uma área de 2048 km × 2048 km com até 3 horas de antecedência. Com base em dados de radar, o NowcastNet pode prever precipitação de alta resolução em uma área de 2048 km × 2048 km com até 3 horas de antecedência.
Novembro de 2023O Google DeepMind lança o GraphCast, um modelo de previsão do tempo baseado em aprendizado de máquinaEm uma resolução global de 0,25°, o modelo pode prever centenas de variáveis meteorológicas para os próximos 10 dias em menos de um minuto, superando significativamente os métodos tradicionais de previsão meteorológica e apresentando bom desempenho na previsão de eventos extremos. O trabalho de pesquisa foi publicado na principal revista científica Ciência Para cima.
Em março de 2024, a equipe de Previsão de Inundações do Google Research desenvolveu um modelo de IA treinado com dados de 5.680 medidores para prever o escoamento diário de bacias hidrográficas não monitoradas em sete dias.O modelo superou o GloFAS, o principal sistema global de alerta de inundações da época, na previsão para o mesmo dia e na previsão do evento climático extremo de 1 em 5 anos.Artigos de pesquisa relevantes foram publicados nas principais revistas científicas Natureza Para cima.
Julho de 2024A equipe do Google Research e seus colaboradores lançaram o NeuralGCM, um modelo de previsão do tempo e simulação climática.A precisão do modelo é comparável à do modelo ECMWF para previsões meteorológicas de curto prazo de 1 a 15 dias e supera os modelos existentes para previsões de ciclones e simulações de trajetórias. Com a inclusão da temperatura do nível do mar, as previsões climáticas de 40 anos do modelo são altamente consistentes com a tendência de aquecimento global. O NeuralGCM pode gerar 22,8 dias de simulações atmosféricas em 30 segundos de tempo de computação. O trabalho de pesquisa foi publicado na principal revista científica Natureza Para cima.
Acredita-se que, em um futuro próximo, a previsão meteorológica orientada por IA desempenhará um papel mais importante no alerta de desastres, no planejamento de energia e na adaptação climática com maior velocidade e precisão, além de fornecer uma ferramenta mais poderosa para a humanidade lidar com os desafios climáticos cada vez mais complexos.
