Новая европейская модель погоды на основе искусственного интеллекта быстрее, умнее и бесплатнее — вот что нужно знать

Европейский центр среднесрочных прогнозов погоды (ECMWF) только что запустил модель прогнозирования на основе искусственного интеллекта, которая, по словам центра, превосходит самые современные физические модели на 20%.

Модель получила название «Система прогнозирования искусственного интеллекта» (AIFS). Согласно пресс-релизу ECMWF, новая модель работает быстрее, чем физические модели, и потребляет примерно в 1000 раз меньше энергии для составления прогноза.

ECMWF, работающий уже 50 лет, создал ENS — одну из ведущих в мире моделей среднесрочного прогнозирования погоды. Среднесрочное прогнозирование включает прогнозы погоды на срок от трех до 15 дней, но ECMWF также прогнозирует погоду на год вперед. Модели прогнозирования погоды необходимы для того, чтобы штаты и местные органы власти были готовы к экстремальным погодным явлениям, а также для более повседневных нужд, например, для того, чтобы знать, какой будет погода во время вашего предстоящего отпуска.

Традиционные модели прогнозирования погоды делают прогнозы, решая физические уравнения. Ограничением этих моделей является то, что они являются приближениями динамики атмосферы. Привлекательным аспектом моделей на основе ИИ является то, что они могут изучать более сложные взаимосвязи и динамику погодных условий непосредственно из данных, а не полагаться только на ранее известные и задокументированные уравнения.

Заявление ECMWF последовало за моделью GenCast от Google DeepMind для прогнозирования погоды на основе искусственного интеллекта, следующей итерацией программного обеспечения Google для прогнозирования погоды, включающей NeuralGCM и GraphCast . GenCast превзошла ENS , ведущую модель прогнозирования погоды ECMWF, по 97,2% целей по различным погодным переменным. При времени опережения более 36 часов GenCast оказалась точнее ENS по 99,8% целей.

Но Европейский центр тоже внедряет инновации. Запуск AIFS-single — это всего лишь первая операционная версия системы.

«Это огромная работа, которая гарантирует стабильную и надежную работу моделей», — сказал Флориан Паппенбергер, директор по прогнозам и услугам ECMWF, в центральном релизе. «На данный момент разрешение AIFS меньше, чем у нашей модели (IFS), которая достигает разрешения 9 км [5,6 миль] с использованием подхода, основанного на физике».

«Мы рассматриваем AIFS и IFS как взаимодополняющие и часть предоставления ассортимента продуктов нашему сообществу пользователей, которые решают, что лучше всего соответствует их потребностям», — добавил Паппенбергер.

Команда будет изучать гибридизацию моделирования на основе данных и физики, чтобы улучшить способность организации точно прогнозировать погоду.

«Физические модели являются ключом к текущему процессу усвоения данных», — сказал Мэтью Чантри, стратегический руководитель по машинному обучению в ECMWF и руководитель инновационной платформы, в электронном письме Gizmodo. «Этот же процесс усвоения данных также жизненно важен для инициализации повседневных моделей машинного обучения и позволяет им делать прогнозы».

«Одним из следующих рубежей для машинного обучения в прогнозировании погоды является этап ассимиляции данных, решение которого будет означать, что вся цепочка прогнозирования погоды может быть основана на машинном обучении», — добавил Чантри.

Чантри является соавтором ожидающего рецензирования исследования, в котором описывается система сквозного прогнозирования на основе данных, не полагающаяся на повторный анализ на основе физики.

Система, получившая название GraphDOP, использует наблюдаемые величины, такие как яркостные температуры, получаемые с полярных орбитальных аппаратов, «для формирования последовательного скрытого представления динамики состояния и физических процессов системы Земля», — пишет команда, «и способна делать точные прогнозы соответствующих погодных параметров на срок до пяти дней в будущем».

Интеграция методов искусственного интеллекта с физическим моделированием прогнозирования погоды является многообещающим местом для более точного прогнозирования. Тестирование на сегодняшний день показывает, что прогнозирование на основе ИИ может превзойти исторические модели, но до сих пор эти модели полагались на данные повторного анализа. Наблюдения на местах были необходимы для обучения моделей, и еще предстоит увидеть, насколько впечатляющими будут возможности прогнозирования этой технологии, когда она будет вынуждена выйти за рамки сценария.