Een computermodel dat conventionele weersvoorspellingstechnologie combineert met machine learning heeft andere kunstmatige intelligentie (KI) gebaseerde tools op Voorspelling van weerscenario's en langetermijnklimaattrends Overtollig.

De tool, die op 22 juli werd beschreven in Nature 1 Leermodel die precieze ensemble-weersvoorspellingen genereert, die een aantal scenario's vertegenwoordigen. De ontwikkeling ervan opent de deur voor voorspellingen die sneller en minder energie -intensief zijn dan bestaande tools en zijn gedetailleerder dan benaderingen die uitsluitend op AI zijn gebaseerd.

"Traditionele klimaatmodellen moeten worden uitgevoerd op supercomputers. Dit is een model dat je binnen enkele minuten kunt uitvoeren", zegt studie Mitar Stephan Hoyer, die studeert aan Google Research in Mountain View, California, Deep Learning.

Huidige voorspellende systemen zijn meestal afhankelijk van algemene circulatiemodellen (GCM's), programma's die afhankelijk zijn van de natuurwetten om processen in de oceanen en atmosfeer van de aarde te simuleren en te voorspellen hoe ze het weer en het klimaat kunnen beïnvloeden. GCM's vereisen echter veel rekenkracht en vooruitgang in machine learning biedt een efficiënter alternatief. "We hebben terabyte of petabyte (een miljoen keer groter dan een gigabyte) historische weergegevens", zegt Hoyer. "Door van deze patronen te leren, kunnen we betere modellen bouwen."

There are already some machine learning models such as Pangu-Weather, which was created by the technology conglomerate Huawei, based in Shenzhen, China, and Graphcast door DeepMind met hoofdkantoor in Londen. Deze modellen hebben vergelijkbare niveaus van nauwkeurigheid als typische GCM's voor deterministische voorspellingen - een benadering die een enkele weersvoorspelling genereert. GCM's zijn echter niet zo betrouwbaar voor ensemble -voorspellingen of klimaatvoorspellingen op lange termijn.

"Het probleem met pure mechanische leerbenaderingen is dat je het alleen traint op gegevens die het al heeft gezien", zegt Scott Hosking, die onderzoek naar AI en milieugegevens beheert bij instituten in Londen. "De klimaat verandert continu, we gaan in het onbekende, dus onze modellen voor machine learning moeten extrapoleren naar deze onbekende toekomst. Door fysica in het model te integreren, kunnen we ervoor zorgen dat onze modellen fysiek beperkt zijn en niets onrealistisch kunnen doen."

hybride model

Hoyer en zijn team hebben NeuralGCM ontwikkeld en geschoold, een model dat "aspecten van een traditionele op natuurkunde gebaseerde sfeerprocedure combineert met sommige AI-componenten", zegt Hoyer. Ze gebruikten het model om weersvoorspellingen op korte en langdurige weersomstandigheden en klimaatprojecties te maken. Om de nauwkeurigheid van neuralgcm te evalueren, vergeleken de onderzoekers zijn voorspellingen met gegevens uit de echte wereld, evenals de uitgaven van andere modellen, waaronder GCM's en die gebaseerd zijn op machine learning.

Net als de huidige modellen voor machine learning, was NeuralGCM in staat om nauwkeurige korte, deterministische weersvoorspellingen te produceren - tussen een en drie dagen van tevoren - het consumeren van een fractie van de energie die nodig is voor GCM's. Bij het produceren van langetermijnvoorspellingen gedurende zeven dagen, maakte het echter veel minder fouten dan andere mechanische leermodellen. In feite waren de langetermijnvoorspellingen van neuralGCM vergelijkbaar met de voorspellingen van het ensemble-model van het Europees Center for Medium-Range weersvoorspelling (ECMWF-EN), een GCM die algemeen wordt beschouwd als een gouden standaard voor weersvoorspellingen.

Het team testte ook hoe goed het model verschillende weerfenomenen kon voorspellen, zoals tropische cyclonen. Ze ontdekten dat veel van de pure machine learning-modellen inconsistente en onnauwkeurige voorspellingen leverden in vergelijking met zowel neuralGCM als ECMWF-EN. De onderzoekers vergeleken zelfs neuralGCM met klimaatmodellen met hoge resolutie, die bekend staan ​​als wereldwijde stormresolutiemodellen. NeuralGCM was in staat om in een kortere tijd meer realistische tropische cycloonaantallen en trajecten te produceren.

Het vermogen om dergelijke gebeurtenissen te voorspellen is "zo belangrijk om de beslissingsvaardigheden en voorbereidende strategieën te verbeteren", zegt Hosking.

Hoyer en zijn collega's willen verder verfijnen en zich aanpassen. "We hebben gewerkt aan het atmosferische deel van het modelleren van het aardsysteem ... Het is misschien het deel dat het meest directe effect heeft op het dagelijkse weer", zegt Hoyer. Hij voegt eraan toe dat het team in toekomstige versies in toekomstige versies meer aspecten van de aardwetenschappen wil integreren om de nauwkeurigheid van het model verder te verbeteren.