En datormodell som kombinerar traditionell väderprognosteknik med maskininlärning har överträffat andra artificiell intelligens (AI)-baserade verktyg Förutsäga väderscenarier och långsiktiga klimattrender överskridits.

Verktyget släpptes den 22 juli iNaturbeskrevs 1, är den första maskininlärningsmodellen som genererar exakta ensembleväderprognoser – sådana som representerar en rad scenarier. Dess utveckling öppnar dörren till förutsägelser som är snabbare och mindre energikrävande än befintliga verktyg och mer detaljerade än tillvägagångssätt baserade enbart på AI.

"Traditionella klimatmodeller måste köras på superdatorer. Det här är en modell som du kan köra på några minuter", säger studiens medförfattare Stephan Hoyer, som studerar djupinlärning vid Google Research i Mountain View, Kalifornien.

Nuvarande prognossystem förlitar sig vanligtvis på allmänna cirkulationsmodeller (GCM), program som förlitar sig på fysikens lagar för att simulera processer i jordens hav och atmosfär och förutsäga hur de kan påverka väder och klimat. GCM kräver dock mycket datorkraft och framsteg inom maskininlärning erbjuder ett mer effektivt alternativ. "Vi har terabyte eller petabyte (en miljon gånger större än en gigabyte) med historisk väderdata", säger Hoyer. "Genom att lära av dessa mönster kan vi bygga bättre modeller."

Det finns redan några prognosmodeller för maskininlärning som Pangu-Weather, skapade av teknologikonglomeratet Huawei baserat i Shenzhen, Kina och GraphCast av DeepMind med huvudkontor i London. Dessa modeller har liknande noggrannhetsnivåer som typiska GCM för deterministiska prognoser – ett tillvägagångssätt som genererar en enda väderprognos. GCM är dock inte lika tillförlitliga för ensembleprognoser eller långsiktiga klimatförutsägelser.

"Problemet med ren maskininlärning är att du bara tränar den på data som den redan har sett", säger Scott Hosking, som forskar om AI och miljödata vid institut i London. "Klimatet förändras ständigt, vi är på väg in i det okända, så våra maskininlärningsmodeller måste extrapolera in i denna okända framtid. Genom att införliva fysik i modellen kan vi säkerställa att våra modeller är fysiskt begränsade och inte kan göra något orealistiskt."

Hybridmodell

Hoyer och hans team utvecklade och tränade NeuralGCM, en modell som "kombinerar aspekter av en traditionell fysikbaserad atmosfärisk lösningsmetod med vissa AI-komponenter", säger Hoyer. De använde modellen för att ta fram kort- och långsiktiga väderprognoser och klimatprognoser. För att utvärdera NeuralGCM:s noggrannhet jämförde forskare dess förutsägelser med verkliga data såväl som resultatet av andra modeller, inklusive GCM och de som enbart baseras på maskininlärning.

Precis som nuvarande maskininlärningsmodeller kunde NeuralGCM producera korrekta kortsiktiga, deterministiska väderprognoser – mellan en och tre dagar i förväg – samtidigt som en bråkdel av den energi som krävs av GCM:er används. Det gjorde dock mycket färre fel än andra maskininlärningsmodeller när den producerade långtidsprognoser efter sju dagar. Faktum är att NeuralGCM:s långtidsprognoser liknade prognoserna från European Center for Medium-Range Weather Forecast (ECMWF-ENS) ensemblemodell, en GCM som allmänt anses vara guldstandarden för väderprognoser.

Teamet testade också hur väl modellen kunde förutsäga olika väderfenomen, som tropiska cykloner. De fann att många av de rena maskininlärningsmodellerna producerade inkonsekventa och felaktiga förutsägelser jämfört med både NeuralGCM och ECMWF-ENS. Forskarna jämförde till och med NeuralGCM med högupplösta klimatmodeller som kallas globala stormlösningsmodeller. NeuralGCM kunde producera mer realistiska tropiska cyklontal och banor på kortare tid.

Förmågan att förutsäga sådana händelser är "så viktig för att förbättra beslutsfattande färdigheter och beredskapsstrategier", säger Hosking.

Hoyer och hans kollegor vill ytterligare förfina och anpassa NeuralGCM. "Vi har arbetat med den atmosfäriska komponenten i att modellera jordsystemet... Det är kanske den del som mest direkt påverkar vardagens väder", säger Hoyer. Han tillägger att teamet skulle vilja införliva fler aspekter av geovetenskap i framtida versioner för att ytterligare förbättra modellens noggrannhet.