Model komputerowy, który łączy tradycyjną technologię prognozowania pogody z uczeniem maszynowym, przewyższa inne narzędzia oparte na sztucznej inteligencji (AI). Przewidywanie scenariuszy pogodowych i długoterminowych trendów klimatycznych przekroczony.

Narzędzie, wydane 22 lipca wNaturazostał opisany 1, to pierwszy model uczenia maszynowego generujący dokładne zbiorcze prognozy pogody – takie, które reprezentują szereg scenariuszy. Jego rozwój otwiera drzwi do prognoz, które są szybsze i mniej energochłonne niż istniejące narzędzia oraz bardziej szczegółowe niż podejścia oparte wyłącznie na sztucznej inteligencji.

„Tradycyjne modele klimatyczne muszą działać na superkomputerach. To model, który można uruchomić w kilka minut” – mówi współautor badania Stephan Hoyer, który studiuje głębokie uczenie się w Google Research w Mountain View w Kalifornii.

Obecne systemy prognozowania zazwyczaj opierają się na ogólnych modelach cyrkulacji (GCM), programach, które opierają się na prawach fizyki w celu symulacji procesów zachodzących w oceanach i atmosferze Ziemi oraz przewidywania, jak mogą one wpłynąć na pogodę i klimat. Jednak GCM wymagają dużej mocy obliczeniowej, a postęp w uczeniu maszynowym oferuje bardziej wydajną alternatywę. „Mamy terabajty lub petabajty (milion razy większe niż gigabajt) historycznych danych pogodowych” – mówi Hoyer. „Ucząc się na podstawie tych wzorców, możemy budować lepsze modele”.

Istnieją już pewne modele prognozowania oparte na uczeniu maszynowym, takie jak Pangu-Weather stworzony przez konglomerat technologiczny Huawei z siedzibą w Shenzhen w Chinach oraz GraphCast autorstwa DeepMind z siedzibą w Londynie. Modele te mają podobny poziom dokładności jak typowe GCM do prognozowania deterministycznego – podejścia, które generuje pojedynczą prognozę pogody. Jednak GCM nie są tak wiarygodne w przypadku prognoz zbiorczych lub długoterminowych prognoz klimatycznych.

„Problem z podejściem opartym wyłącznie na uczeniu maszynowym polega na tym, że uczy się je wyłącznie na danych, które już widziało” – mówi Scott Hosking, który prowadzi badania nad sztuczną inteligencją i danymi środowiskowymi w instytutach w Londynie. „Klimat ciągle się zmienia, zmierzamy w nieznane, dlatego nasze modele uczenia maszynowego muszą ekstrapolować na tę nieznaną przyszłość. Włączając fizykę do modelu, możemy mieć pewność, że nasze modele są fizycznie ograniczone i nie mogą zrobić niczego nierealnego”.

Model hybrydowy

Hoyer i jego zespół opracowali i przeszkolili NeuralGCM, model, który „łączy aspekty tradycyjnej metody rozwiązywania problemów atmosferycznych opartej na fizyce z niektórymi komponentami sztucznej inteligencji” – mówi Hoyer. Wykorzystali ten model do opracowania krótko- i długoterminowych prognoz pogody oraz prognoz klimatycznych. Aby ocenić dokładność NeuralGCM, badacze porównali jego przewidywania z danymi ze świata rzeczywistego, a także wynikami innych modeli, w tym GCM i tych opartych wyłącznie na uczeniu maszynowym.

Podobnie jak obecne modele uczenia maszynowego, NeuralGCM może generować dokładne krótkoterminowe, deterministyczne prognozy pogody – z wyprzedzeniem od jednego do trzech dni – zużywając ułamek energii wymaganej przez GCM. Jednak podczas tworzenia długoterminowych prognoz przekraczających siedem dni popełniał znacznie mniej błędów niż inne modele uczenia maszynowego. W rzeczywistości długoterminowe prognozy NeuralGCM były podobne do prognoz modelu zespołowego Europejskiego Centrum Prognoz Średnioterminowych (ECMWF-ENS), GCM powszechnie uważanego za złoty standard w prognozowaniu pogody.

Zespół przetestował także, jak dobrze model może przewidywać różne zjawiska pogodowe, takie jak cyklony tropikalne. Odkryli, że wiele modeli wykorzystujących wyłącznie uczenie maszynowe generowało niespójne i niedokładne przewidywania w porównaniu zarówno z NeuralGCM, jak i ECMWF-ENS. Naukowcy porównali nawet NeuralGCM z modelami klimatycznymi o wysokiej rozdzielczości, znanymi jako globalne modele rozwiązywania burz. NeuralGCM był w stanie w krótszym czasie wygenerować bardziej realistyczne liczby i trajektorie cyklonów tropikalnych.

Zdolność przewidywania takich zdarzeń jest „niezwykle ważna dla doskonalenia umiejętności podejmowania decyzji i strategii gotowości” – mówi Hosking.

Hoyer i jego współpracownicy chcą dalej udoskonalać i dostosowywać NeuralGCM. „Pracowaliśmy nad komponentem atmosferycznym w modelowaniu układu ziemskiego... Być może jest to część, która najbardziej bezpośrednio wpływa na codzienną pogodę” – mówi Hoyer. Dodaje, że zespół chciałby uwzględnić w przyszłych wersjach więcej aspektów nauk o Ziemi, aby jeszcze bardziej poprawić dokładność modelu.