Nature взвешивает: 8 минут на предсказание 15 дней глобальной погоды, ИИ DeepMind побеждает самую продвинутую в мире систему прогнозирования погоды

Данные Всемирной метеорологической организации (ВМО) показывают, чтоЗа последние 50 лет каждый день происходило в среднем по одному стихийному бедствию, связанному с погодой, климатом или наводнениями, в результате чего ежедневно погибало 115 человек и наносился экономический ущерб в размере 202 миллионов долларов.
Поэтому.Создание более точной системы прогнозирования погодычто поможет спасти миллионы жизней и сократить экономические потери на триллионы долларов.большое значение.
Однако традиционное прогнозирование погоды опирается на алгоритмы численного прогнозирования погоды (NWP), которые отличаются высокой вычислительной сложностью и трудоемким построением моделей, что затрудняет быстрое составление прогнозов. Прогнозирование погоды на основе машинного обучения (MLWP) совершило некоторый прорыв в эффективности и точности прогноза, но оно не так хорошо, как интегрированная система прогнозирования NWP, в количественной оценке неопределенности прогноза и работе со сложными пространственными и временными корреляциями.
Сегодня.GenCast, модель искусственного интеллекта (ИИ), разработанная группой исследователей Google DeepMind, вывела прогнозирование погоды на совершенно новый уровень точности и эффективности--
GenCast способен генерировать набор стохастических 15-дневных глобальных прогнозов менее чем за 8 минут с шагом по времени 12 часов, с разрешением 0,25°, охватывая более 80 приземных и атмосферных переменных и превосходя лучшие текущие глобальные прогнозы средней дальности по 97,21 TP3T оцениваемых показателей (всего 1 320 показателей) - ансамбль Европейского центра прогнозов погоды средней дальности (ECMWF) (ENS) - с лучшими маргинальными и совместными распределениями прогнозов. Ансамблевый прогноз Европейского центра прогнозов погоды средней дальности (ECMWF) (ENS) в настоящее время является лучшим прогнозом средней дальности в мире по 97,21 метрике оценки TP3T (всего 1320 метрик), с лучшими маргинальными и совместными распределениями прогнозов.
Кроме того, GenCast более эффективен в прогнозировании экстремальных погодных условий (например, высоких температур, сильных ветров), путей тропических циклонов и производства энергии ветра.
Соответствующие исследовательские работы доступны в формате "Вероятностное прогнозирование погоды с помощью машинного обучения" была опубликована в престижном научном журнале Природа Вверх.

GenCast: более быстрые и точные прогнозы будущей погоды

Рис. |Схема GenCast, генерирующего прогнозы погоды.

Рисунок | Предельное распределение прогнозов GenCast является искусным и хорошо откалиброванным.

GenCast превосходит ENS в прогнозировании региональных ветров и тропических циклонов.

GenCast - это новая вероятностная модель прогнозирования погоды, которая генерирует ряд возможных сценариев погоды с помощью модели условной диффузии.. Основная возможность GenCast заключается в моделировании условных распределений вероятностей будущих состояний погоды, т.е. генерации будущих прогнозов на основе текущих и предыдущих состояний погоды. Такой подход позволяет GenCast предоставлять глобальные 15-дневные вероятностные прогнозы погоды с большей скоростью и точностью.
В частности.Архитектура GenCast состоит из трех модулей: кодера, процессора и декодера.Кодер отображает начальное состояние погоды на сферическую сетку, которая делится шесть раз. Кодер отображает начальное состояние погоды на сферическую сетку, которая была мелко разделена шесть раз, и процессор передает графический трансформатор Сложные пространственно-временные корреляции улавливаются между узлами сетки, а декодер переводит результаты обратно в глобальную сетку широт/долгот для создания окончательного прогноза погоды.

Кроме того, команда обучила GenCast с помощью данных реанализа ERA5 - набора данных, содержащего лучшие анализы оценки погоды по всему миру за 40-летний период, что обеспечивает способность модели к обобщению и глубокому пониманию исторических моделей погоды.
Чтобы оценить эффективность GenCast в реальном мире, исследовательская группа провела сравнение с современными системами и моделями. Чтобы обеспечить справедливое сравнение, все модели были инициализированы на основе данных ERA5 с равномерным разрешением 0,25°.
В экспериментах с другими системами GenCast генерирует образцы погоды, более близкие к реальным наблюдениям, а распределение прогнозов охватывает широкий спектр возможных сценариев, что дает пользователям более полное представление о потенциальных рисках. Например, прогнозы GenCast незадолго до того, как тайфун "Хибес" обрушился на Японию, были очень четкими, со спектром мощности сферических гармоник, который был очень близок к истинным данным ERA5 в течение периода прогнозирования 1-15 дней.
После этого.Исследовательская группа оценила общие навыки прогнозирования, калибровку и эффективность GenCast и ENS в прогнозировании экстремальных погодных условийт.е. предельная эффективность прогноза. Предельные прогнозы, как конкретные предсказания погодных условий в определенное время и в определенном месте, занимают центральное место в ежедневной работе метеорологических служб.
GenCast демонстрирует значительные преимущества в этой области. Он генерирует прогнозные распределения, которые более точно отражают возможные погодные сценарии, не только предоставляя прогнозы таких переменных, как температура, скорость ветра и барометрическое давление, которые в значительной степени соответствуют реальным данным, но и эффективно количественно оценивая неопределенность прогноза благодаря улучшенной вероятностной калибровке.
Конкретные исследования показали, чтоGenCast превосходит ENS в прогнозировании предельных распределений нескольких метеорологических переменныхВ тесте, охватывающем 1320 оценочных задач, GenCast получил более высокие баллы за навыки (CRPS) - 97,2%, особенно эффективные при составлении краткосрочных прогнозов (от 1 до 5 дней).
Тем временем.GenCast также отлично справляется с прогнозированием экстремальных погодных условий, таких как высокая температура и сильный ветер.. В исследовании использовались баллы Бриера и кривые относительной экономической ценности (REV) для оценки эффективности модели. Результаты показывают, что GenCast значительно превосходит ENS в прогнозировании событий, связанных с высокой температурой (99,991 квантиль TP3T) и экстремально низкой температурой (0,011 квантиль TP3T).
Кроме того.Прогнозы маргинального распределения GenCast демонстрируют хорошую калибровкуЭто означает, что он способен точно определить возможные ошибки или смещения в прогнозе и предоставить пользователям более надежную поддержку в принятии решений о погоде.

Помимо маргинальных прогнозов, GenCast продемонстрировал впечатляющую производительность в совместных прогнозах. Совместные прогнозы сосредоточены на пространственных и временных корреляциях между погодными переменными, что крайне важно для отражения динамики глобальных погодных систем. Например, при прогнозировании пути тропического циклона его траектория зависит не только от одной переменной, но и должна учитывать множество уровней атмосферных взаимодействий. GenCast способен генерировать пространственно и временно согласованные образцы погоды, которые точно отражают эти сложные взаимосвязи для составления точных прогнозов.
В частности, в исследовании анализируется работа GenCast в случае тайфуна "Гибискус". Прогноз пути тайфуна показывает, что диапазон оценки неопределенности GenCast охватывает больше возможных сценариев, а его ошибка в предсказании положения пути значительно ниже, чем у ENS, и, что более важно, диапазон неопределенности GenCast сходится с сокращением времени прогноза, что дает лицам, принимающим решения, более точную информацию о времени и месте посадки.
Кроме того, при региональном прогнозировании ветра GenCast преобразует данные о скорости ветра на высоте 10 метров в выходную энергию ветра, что повышает точность прогноза на 20% по сравнению с ENS, особенно на коротких временных шкалах, и предоставляет новые возможности для планирования использования возобновляемых источников энергии.

Несмотря на то, что GenCast совершил двойной прорыв в точности и эффективности, еще есть возможности для дальнейшей оптимизации. Например, можно улучшить разрешение, чтобы оно соответствовало будущим модернизациям системы ENS, или снизить стоимость вычислений за счет дистилляции. Кроме того, тонкая настройка с использованием оперативных данных или включение более традиционных методов обработки начальных условий NWP может значительно повысить его полезность.

Как ИИ меняет будущее климатического прогнозирования?

На искусственный интеллект всегда возлагались большие надежды в области прогнозирования погоды как на "более быструю и дешевую альтернативу для улучшения прогнозирования экстремальных погодных условий".Помимо Google, значительного прогресса в этом направлении добились технологические компании и университеты, в том числе Huawei и Университет Цинхуа.
Июль 2023 годаМодель Pangu Weather (Pangu-Weather), разработанная компанией Huawei Cloud, попала на ПриродаВ качестве обучающих данных он использует 39 лет глобального повторного анализа погодных условий, а точность прогноза сопоставима с точностью IFS, лучшей в мире системы численного прогнозирования погоды, и более чем в 10 000 раз превосходит IFS при том же пространственном разрешении.
Одновременно опубликована в Природа В другой статье, посвященной этому вопросу, описывается NowcastNetМодель сочетает физические законы и глубокое обучение для прогнозирования осадков в реальном времени. NowcastNet отлично справляется с прогнозированием приближения, а на основе данных радиолокационных наблюдений может прогнозировать осадки с высоким разрешением на площади 2048 км × 2048 км до 3 часов вперед. Основываясь на данных радаров, NowcastNet может прогнозировать осадки с высоким разрешением на площади 2048 км × 2048 км за 3 часа.
Ноябрь 2023 годаGoogle DeepMind запускает GraphCast, модель прогнозирования погоды на основе машинного обученияМодель может прогнозировать сотни погодных переменных на ближайшие 10 дней менее чем за минуту с глобальным разрешением 0,25°, значительно превосходя традиционные методы прогнозирования погоды и демонстрируя хорошие результаты при прогнозировании экстремальных явлений. Исследовательская работа была опубликована в ведущем научном журнале Наука Вверх.
В марте 2024 года команда Google Research Flood Forecasting разработала модель искусственного интеллекта, обученную на данных 5 680 датчиков, которая позволяет прогнозировать ежедневный сток с неохваченных датчиками водосборов в течение семи дней.Модель превзошла GloFAS, ведущую на тот момент глобальную систему предупреждения о наводнениях, в прогнозировании на один день и в прогнозировании экстремального погодного явления 1 к 5 в год.Соответствующие научные работы были опубликованы в ведущих научных журналах Природа Вверх.
Июль 2024 годаКоманда Google Research и ее сотрудники запустили NeuralGCM, модель прогнозирования погоды и моделирования климата.Точность модели сопоставима с точностью модели ECMWF для краткосрочных прогнозов погоды на 1-15 дней и превосходит существующие модели для прогнозов циклонов и моделирования траекторий. С учетом температуры на уровне моря 40-летние климатические прогнозы модели в значительной степени соответствуют тенденции глобального потепления. NeuralGCM может генерировать 22,8 дня моделирования атмосферы за 30 секунд вычислительного времени. Исследование было опубликовано в ведущем научном журнале Природа Вверх.
Предполагается, что в ближайшем будущем прогнозирование погоды на основе ИИ будет играть более значительную роль в предупреждении стихийных бедствий, планировании энергопотребления и адаптации к климату, обеспечивая более высокую скорость и точность, а также предоставит человечеству более мощный инструмент для решения все более сложных климатических проблем.