Google AI预测长期气候趋势和天气 - 几分钟后
Google AI预测长期气候趋势和天气 - 几分钟后
Bleiben Sie informiert: Jeden Abend senden wir Ihnen die Artikel des Tages aus der Kategorie Allgemein – übersichtlich als Liste.
当前的预测系统通常依赖一般循环模型（GCM），这些程序依靠物理定律来模拟地球的海洋和大气中的过程，并预测它们如何影响天气和气候。但是，GCM需要大量的计算能力，机器学习的进展提供了更有效的替代方案。 Hoyer说：“我们的历史天气数据有trabyte或Petabyte（比一GB的一百万倍）。” “通过从这些模式中学习，我们可以建立更好的模型。”
已经有一些机器学习模型，例如Pangu-Weather，该模型是由基于深圳的技术企业集团华为创建的， DeepMind GraphCast 带有伦敦总部。这些模型具有与确定性预测的典型GCM相似的准确性水平 - 一种产生单个天气预测的方法。但是，GCM对于整体预测或长期气候预测并不那么可靠。
“纯机械学习方法的问题是，您只需在已经看到的数据上训练它，” Scott Hosking说。 “气候不断变化，我们进入了未知数，因此我们的机器学习模型必须推断到这个未知的未来。通过将物理学整合到模型中，我们可以确保我们的模型在物理上受到限制并且不能做任何不现实的事情。”
混合模型
Hoyer说，Hoyer和他的团队开发并教育了NeuralGCM，该模型将“传统的基于物理的大气贷款程序的各个方面与某些AI组件相结合”。他们使用该模型创建了短期和长期的天气预报和气候预测。为了评估神经GCM的准确性，研究人员将其预测与现实世界数据以及其他模型的支出进行了比较，包括GCM和基于机器学习的模型。像当前的机器学习模型一样，NeuralGCM能够提前一到三天生成精确的短期，确定性的天气预测 - 消耗GCM所需的能量的一小部分。但是，在长期进行长期预测时，与其他机械学习模型相比，它的错误少得多。实际上，神经GCM的长期预测与欧洲中范围天气预测中心（ECMWF-EN）的集合模型的预测相似，该GCM被广泛认为是天气预报的黄金标准。
该团队还测试了模型可以预测不同天气现象的能力，例如热带气旋。他们发现，与NeuralGCM和ECMWF-EN相比，许多纯机器学习模型提供了不一致和不准确的预测。研究人员甚至将神经GCM与高分辨率气候模型进行了比较，这些气候模型被称为全球风暴分辨率模型。 NeuralGCM能够在较短的时间内产生更逼真的热带气旋数量和轨迹。
预测此类事件的能力“对于提高决策能力和准备策略非常重要”。
Hoyer和他的同事们希望进一步完善和适应。霍耶说：“我们已经在建模地球系统的大气中工作……这可能是对日常天气最直接影响的部分。”他补充说，该团队希望在未来版本中整合地球科学的更多方面，以进一步提高模型的准确性。
-
kochkov，D。 et al。 nature