Zespół z firmy Deep Mind (Google) skonstruował sztuczną inteligencję, która skutecznością w prognozowaniu pogody na 10 dni bije poprzednio używane metody. Wyniki ukazały się w piśmie Science w tekście „Learning skillful medium-range global weather forecasting„. Prognozowanie pogody wymaga złożonych metod i olbrzymich ilości danych. Sztuczna inteligencja pozwoliła uzyskać dokładniejszą niż wcześniej prognozę pogody, 10 x szybciej i zużywając 100 x mniej energii do obliczeń.

Nowy sposób prognozowania pogody okazał się lepszy od poprzedniego w ponad 90% z 1380 testowanych zmiennych i czasów prognoz.

Po ograniczeniu zakresu prognoz tylko do troposfery – najniższej warstwy atmosfery Ziemi, sieć okazała lepsza od poprzedniej, najlepszej metody HRES w jeszcze większym stopniu, bo aż w 99,7% testowanych zmiennych, dotyczących przyszłej pogody.

GraphCast przewidując temperaturę zmniejszył medianę błędu o 12% porównując z drugą, dotychczas najlepszą metodą.

GraphCast prognozuje pogodę używając Grafowej Sieci Neuronowej (GNN). Sieć została nauczona prognozowania na podstawie historycznych danych pogody, obejmujących kilka dekad. Sieć grafowa działa w ten sposób, że tworzy mapę powiązań między miejscami na Ziemi. Powstaje coś jak sieć czy właśnie jak grafy, łączące sąsiadujące punkty, które reprezentują konkretne lokalizacje, miejsca. Połączenia (nitki) między tymi punktami reprezentują związek lub wpływ, jaki te lokalizacje mają na siebie nawzajem. Czyli jeśli zmieniają się wartości powiązań między jakimiś punktami, to sieć na podstawie historycznych danych precyzyjnie prognozuje, co wydarzy się też w innych, powiązanych punktach.

Atmosfera ziemska w takiej analizie jest układanką, gdzie każdy kawałek to inna część systemu pogodowego (takie jak temperatura, ciśnienie czy wilgotność). GNN działa poprzez analizowanie, jak te kawałki są obecnie ułożone i jak zwykle się zachowują (na podstawie praw fizyki i wcześniejszych danych). Następnie przewiduje, jak te kawałki będą się poruszać i zmieniać, co mówi nam, jaka może być pogoda w przyszłości.

Jest to odejście od tradycyjnych metod obliczeniowych, od metod Numerycznej Prognozy Pogody, (Numerical Weather Prediction) które bazują na złożonych równaniach matematycznych. W przypadku NWP, prognoza jest tworzona poprzez rozwiązywanie równań fizycznych opisujących atmosferę, co wymaga dużej mocy obliczeniowej i szczegółowej wiedzy o fizyce atmosfery.

Z kolei GNN nie polegają bezpośrednio na tych równaniach. Zamiast tego, GNN uczą się wzorców i zależności w danych pogodowych (takich jak temperatura, ciśnienie, wilgotność) poprzez analizę ogromnych ilości danych historycznych. Sieci te tworzą model, który może przewidywać przyszłe stany atmosfery, korzystając z obserwowanych danych i zrozumienia, jak te dane wzajemnie na siebie wpływają.

Oznacza to, że GNN nie zastępują tradycyjnych równań NWP, ale raczej oferują alternatywny sposób prognozowania pogody. W niektórych przypadkach GNN mogą być używane w połączeniu z NWP, tworząc hybrydowe systemy, które wykorzystują zalety obu metod. GNN mogą być szczególnie przydatne w sytuacjach, gdzie modele NWP mają ograniczenia, na przykład w modelowaniu zjawisk o wysokiej zmienności lub w obszarach z ograniczonymi danymi.

GraphCast lepiej niż poprzednie metody daje się stosować w warunkach niekompletnych danych.

Powstaje siatka zmian pogodowych z dokładnością do ok. ćwierci stopnia długości i szerokości geograficznej – co na równiku dawałoby kwadrat o wymiarach ok 28 km x 28 km. Mimo postępu w tak wielu metrykach GraphCast ma swoje ograniczenia. Nie pokonuje konwencjonalnych modeli w każdym przypadku. Na przykład, nie przewidział nagłego nasilenia Huraganu Otis, który 25 października uderzył w Acapulco z minimalnym ostrzeżeniem. Mimo tego, generalnie lepiej przewiduje wystąpienie gwałtownych zjawisk pogodowych.

Oprogramowanie GraphCast jest udostępnione na zasadach Open Source (Apache License 2.0) a więc dostępne np. dla instytutów meteorologicznych.

Na podstawie: GraphCast: AI model for faster and more accurate global weather forecasting – Google DeepMind

AI outperforms conventional weather forecasting for the first time: Google study | Ars Technica

Learning skillful medium-range global weather forecasting | Science

Prompt:

A symbolic depiction of a weather forecast. The image features a large crystal ball on a stand, within which dynamic and colorful representations of different weather conditions are visible – sunny skies, clouds, rain, snowflakes, and thunderstorms. Around the crystal ball, there are small, whimsical figures representing the four seasons: a snowman for winter, a sun for summer, a leaf for autumn, and a flower for spring. The background is a dreamy landscape transitioning from day to night, and from summer warmth to winter cold, symbolizing the changing nature of weather. The color palette is vibrant, with clear blues, bright yellows, cool whites, and warm oranges.