Передовая модель обеспечивает 10-дневный прогноз погоды с беспрецедентной точностью менее чем за одну минуту. Погода влияет на нас всех, в большом и малом смысле. Она может диктовать, как мы одеваемся по утрам, обеспечивать нас зеленой энергией и, в худшем случае, создавать штормы, которые могут опустошить сообщества. В мире все более экстремальной погоды быстрые и точные прогнозы никогда не были так важны.
В статье, опубликованной в журнале Science , мы представляем GraphCast — современную модель искусственного интеллекта, способную делать среднесрочные прогнозы погоды с беспрецедентной точностью. GraphCast прогнозирует погодные условия на срок до 10 дней вперед точнее и намного быстрее, чем отраслевой золотой стандарт системы моделирования погоды — High Resolution Forecast (HRES), разработанный Европейским центром среднесрочных прогнозов погоды (ECMWF).
GraphCast также может предлагать более ранние предупреждения об экстремальных погодных явлениях. Он может предсказывать траектории циклонов с большой точностью в будущем, определять атмосферные реки, связанные с риском наводнений, и предсказывать наступление экстремальных температур. Эта способность может спасти жизни за счет большей готовности.
GraphCast делает значительный шаг вперед в области ИИ для прогнозирования погоды, предлагая более точные и эффективные прогнозы и открывая пути для поддержки принятия решений, критически важных для нужд наших отраслей и обществ. И, открывая исходный код модели для GraphCast, мы даем возможность ученым и прогнозистам по всему миру приносить пользу миллиардам людей в их повседневной жизни. GraphCast уже используется метеорологическими агентствами, включая ECMWF, который проводит живой эксперимент прогнозов нашей модели на своем веб-сайте .
Проблема глобального прогнозирования погоды
Прогнозирование погоды — одно из старейших и самых сложных научных начинаний. Среднесрочные прогнозы важны для поддержки принятия ключевых решений в различных секторах, от возобновляемой энергии до логистики мероприятий, но их трудно делать точно и эффективно.
Прогнозы обычно опираются на численный прогноз погоды (NWP), который начинается с тщательно определенных физических уравнений, которые затем преобразуются в компьютерные алгоритмы, работающие на суперкомпьютерах. Хотя этот традиционный подход стал триумфом науки и техники, разработка уравнений и алгоритмов требует много времени и глубоких знаний, а также дорогостоящих вычислительных ресурсов для точных прогнозов.
Глубокое обучение предлагает другой подход: использование данных вместо физических уравнений для создания системы прогноза погоды. GraphCast обучается на десятилетиях исторических данных о погоде, чтобы изучить модель причинно-следственных связей, которые управляют тем, как меняется погода на Земле, от настоящего к будущему.
Важно, что GraphCast и традиционные подходы идут рука об руку: мы обучили GraphCast на четырех десятилетиях данных повторного анализа погоды из набора данных ERA5 ECMWF. Этот клад основан на исторических наблюдениях за погодой, таких как спутниковые снимки, радары и метеостанции, использующие традиционный ЧПП для «заполнения пробелов», где наблюдения неполны, чтобы реконструировать богатую запись глобальной исторической погоды.
GraphCast: модель ИИ для прогнозирования погоды
GraphCast — это система прогнозирования погоды, основанная на машинном обучении и графовых нейронных сетях (GNN), которые представляют собой особенно полезную архитектуру для обработки пространственно структурированных данных.
GraphCast делает прогнозы с высоким разрешением 0,25 градуса долготы/широты (28 км x 28 км на экваторе). Это более миллиона точек сетки, покрывающих всю поверхность Земли. В каждой точке сетки модель предсказывает пять переменных поверхности Земли, включая температуру, скорость и направление ветра, а также среднее давление на уровне моря, и шесть атмосферных переменных на каждом из 37 уровней высоты, включая удельную влажность, скорость и направление ветра, а также температуру.
Хотя обучение GraphCast было вычислительно интенсивным, полученная модель прогнозирования оказалась высокоэффективной. Составление 10-дневных прогнозов с помощью GraphCast занимает менее минуты на одной машине Google TPU v4. Для сравнения, 10-дневный прогноз с использованием традиционного подхода, такого как HRES, может потребовать часов вычислений на суперкомпьютере с сотнями машин.
В комплексной оценке производительности по сравнению с золотым стандартом детерминированной системы HRES, GraphCast предоставил более точные прогнозы по более чем 90% из 1380 тестовых переменных и времени выполнения прогноза (подробности см. в нашей научной статье ). Когда мы ограничили оценку тропосферой, ближайшей к поверхности Земли областью атмосферы высотой 6-20 километров, где точное прогнозирование наиболее важно, наша модель превзошла HRES по 99,7% тестовых переменных для будущей погоды.
Для ввода GraphCast требуется всего два набора данных: состояние погоды 6 часов назад и текущее состояние погоды. Затем модель предсказывает погоду на 6 часов вперед. Затем этот процесс можно прокручивать вперед с шагом в 6 часов, чтобы предоставлять самые современные прогнозы на 10 дней вперед.
Улучшенные предупреждения об экстремальных погодных явлениях
Наши анализы показали, что GraphCast также может определять суровые погодные явления раньше, чем традиционные модели прогнозирования, несмотря на то, что не был обучен их искать. Это яркий пример того, как GraphCast может помочь с готовностью спасать жизни и уменьшать воздействие штормов и экстремальных погодных явлений на сообщества.
Применив простой трекер циклонов непосредственно к прогнозам GraphCast, мы смогли предсказать движение циклона точнее, чем модель HRES. В сентябре оперативная версия нашей общедоступной модели GraphCast, размещенная на веб-сайте ECMWF, точно предсказала примерно за девять дней, что ураган Ли обрушится на Новую Шотландию. Напротив, традиционные прогнозы имели большую изменчивость относительно того, где и когда произойдет обрушение, и фиксировались только на Новой Шотландии примерно за шесть дней.
GraphCast также может охарактеризовать атмосферные реки — узкие области атмосферы, которые переносят большую часть водяного пара за пределы тропиков. Интенсивность атмосферной реки может указать, принесет ли она полезный дождь или потоп, вызывающий наводнение. Прогнозы GraphCast могут помочь охарактеризовать атмосферные реки, что может помочь в планировании экстренных мер реагирования совместно с моделями ИИ для прогнозирования наводнений.
Наконец, прогнозирование экстремальных температур становится все более важным в нашем теплеющем мире. GraphCast может характеризовать, когда жара поднимется выше исторических максимальных температур для любого места на Земле. Это особенно полезно для прогнозирования волн тепла, разрушительных и опасных событий, которые становятся все более распространенными.
Прогнозирование серьезных событий — сравнение GraphCast и HRES.
Слева: Эффективность отслеживания циклонов. По мере увеличения времени упреждения для прогнозирования движения циклонов GraphCast обеспечивает большую точность, чем HRES.
Справа: Прогноз атмосферных рек. Ошибки прогнозов GraphCast заметно ниже, чем у HRES для всех их 10-дневных прогнозов
Будущее ИИ для прогнозирования погоды
GraphCast теперь является самой точной 10-дневной глобальной системой прогнозирования погоды в мире и может предсказывать экстремальные погодные явления дальше в будущем, чем это было возможно ранее. Поскольку погодные условия развиваются в условиях меняющегося климата, GraphCast будет развиваться и совершенствоваться по мере того, как будут доступны более качественные данные.
Чтобы сделать прогноз погоды на основе ИИ более доступным, мы открыли исходный код нашей модели . ECMWF уже экспериментирует с 10-дневными прогнозами GraphCast , и мы рады увидеть возможности, которые это открывает для исследователей — от адаптации модели к конкретным погодным явлениям до ее оптимизации для разных частей света.
GraphCast присоединяется к другим передовым системам прогнозирования погоды от Google DeepMind и Google Research, включая региональную модель Nowcasting , которая выдает прогнозы на 90 минут вперед, и MetNet-3 — региональную модель прогнозирования погоды, которая уже работает в США и Европе и выдает более точные 24-часовые прогнозы, чем любая другая система.
Пионерское использование ИИ в прогнозировании погоды принесет пользу миллиардам людей в их повседневной жизни. Но наши более широкие исследования направлены не только на прогнозирование погоды, но и на понимание более широких закономерностей нашего климата. Разрабатывая новые инструменты и ускоряя исследования, мы надеемся, что ИИ сможет дать мировому сообществу возможность решать наши самые большие экологические проблемы.