Наша современная модель обеспечивает прогноз погоды на 10 дней с беспрецедентной точностью менее чем за одну минуту.

Погода влияет на всех нас, в большом и малом смысле. Оно может диктовать, как мы одеваемся по утрам, обеспечивать нас экологически чистой энергией и, в худшем случае, создавать штормы, которые могут опустошить сообщества. В мире все более экстремальных погодных условий быстрые и точные прогнозы никогда не были более важными.

В газете опубликовано в журнале Science, мы представляем GraphCast, современную модель искусственного интеллекта, способную делать среднесрочные прогнозы погоды с беспрецедентной точностью. GraphCast прогнозирует погодные условия на 10 дней вперед точнее и намного быстрее, чем отраслевая система моделирования погоды — золотой стандарт — прогноз высокого разрешения (HRES), выпускаемый Европейским центром среднесрочных прогнозов погоды (ECMWF).

GraphCast также может заранее предупреждать об экстремальных погодных явлениях. Он может с большой точностью предсказывать следы циклонов в будущем, определять атмосферные реки, связанные с риском наводнений, и предсказывать наступление экстремальных температур. Эта способность потенциально может спасти жизни за счет большей готовности.

GraphCast делает значительный шаг вперед в области искусственного интеллекта для прогнозирования погоды, предлагая более точные и эффективные прогнозы и открывая пути для поддержки принятия решений, имеющих решающее значение для потребностей наших отраслей и общества. И, по открыть 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, в том числе ECMWF, который проводит живой эксперимент прогнозы нашей модели на ее сайте.

Проблема глобального прогнозирования погоды

Прогнозирование погоды — одно из старейших и наиболее сложных научных направлений. Прогнозы средней дальности важны для поддержки принятия ключевых решений во всех секторах, от возобновляемых источников энергии до логистики мероприятий, но их трудно делать точно и эффективно.

Прогнозы обычно основаны на численном прогнозе погоды (ЧПП), который начинается с тщательно определенных физических уравнений, которые затем переводятся в компьютерные алгоритмы, выполняемые на суперкомпьютерах. Хотя этот традиционный подход стал триумфом науки и техники, разработка уравнений и алгоритмов отнимает много времени и требует глубоких знаний, а также дорогостоящих вычислительных ресурсов для получения точных прогнозов.

Глубокое обучение предлагает другой подход: использование данных вместо физических уравнений для создания системы прогноза погоды. GraphCast обучается на основе исторических данных о погоде за десятилетия, чтобы изучить модель причинно-следственных связей, которые управляют развитием погоды на Земле от настоящего к будущему.

Важно отметить, что GraphCast и традиционные подходы идут рука об руку: мы обучали GraphCast на данных повторного анализа погоды за четыре десятилетия из набора данных ERA5 ЕЦСПП. Эта сокровищница основана на исторических наблюдениях за погодой, таких как спутниковые изображения, радары и метеостанции, использующие традиционное ЧПП для «заполнения пробелов» там, где наблюдения неполны, и восстановления богатых данных глобальной исторической погоды.

GraphCast: модель искусственного интеллекта 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 х 28 км по экватору). Это более миллиона точек сетки, покрывающих всю поверхность Земли. В каждой точке сетки модель прогнозирует пять переменных земной поверхности, 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 шесть атмосферных переменных на каждом из 37 уровней высоты. температура.

Хотя обучение GraphCast требовало больших вычислительных ресурсов, полученная модель прогнозирования оказалась очень эффективной. Создание 10-дневных прогнозов с помощью GraphCast занимает менее минуты на одном компьютере Google TPU v4. Для сравнения, 10-дневный прогноз с использованием традиционного подхода, такого как HRES, может занять часы вычислений на суперкомпьютере с сотнями машин.

В комплексной оценке производительности по сравнению с детерминированной системой золотого стандарта HRES GraphCast предоставил более точные прогнозы по более чем 90% из 1380 тестовых переменных и спрогнозировал время выполнения заказа (см. Научная статья подробности). Когда мы ограничили оценку тропосферой, областью атмосферы высотой 6–20 километров, ближайшей к поверхности Земли, где точный прогноз наиболее важен, наша модель превзошла HRES по 99,7% тестовых переменных для будущей погоды.

Улучшенные предупреждения об экстремальных погодных явлениях

Наш анализ показал, что GraphCast также может выявлять суровые погодные явления раньше, чем традиционные модели прогнозирования, несмотря на то, что компания не была обучена их поиску. Это яркий пример того, как GraphCast может помочь в подготовке к спасению жизней и уменьшению воздействия штормов и экстремальных погодных условий на местные сообщества.

Применив простой трекер циклонов непосредственно к прогнозам GraphCast, мы смогли предсказать движение циклонов более точно, чем модель HRES. В сентябре действующая версия нашей общедоступной модели GraphCast, развернутая на веб-сайте ЕЦСПП, примерно за девять дней точно предсказала, что ураган Ли обрушится на берег Новой Шотландии. Напротив, традиционные прогнозы имели большую изменчивость в отношении того, где и когда произойдет выход на берег, и были привязаны к Новой Шотландии только примерно за шесть дней.

GraphCast также может характеризовать атмосферные реки — узкие области атмосферы, которые переносят большую часть водяного пара за пределы тропиков. Интенсивность атмосферной реки может указывать на то, принесет ли она полезный дождь или наводнение, вызывающее наводнение. Прогнозы GraphCast могут помочь охарактеризовать атмосферные реки, что может помочь в планировании реагирования на чрезвычайные ситуации вместе с Модели искусственного интеллекта для прогнозирования наводнений.

Наконец, прогнозирование экстремальных температур приобретает все большее значение в нашем теплеющем мире. GraphCast может определить, когда жара превысит исторические максимальные температуры для любого данного места на Земле. Это особенно полезно для прогнозирования аномальной жары, разрушительных и опасных явлений, которые становятся все более распространенными.

Будущее искусственного интеллекта для прогнозирования погоды

GraphCast теперь является самой точной 10-дневной глобальной системой прогнозирования погоды в мире и может предсказывать экстремальные погодные явления в более отдаленном будущем, чем это было возможно раньше. По мере того как погодные условия меняются в зависимости от меняющегося климата, GraphCast будет развиваться и совершенствоваться по мере поступления данных более высокого качества.

Чтобы сделать прогноз погоды на основе искусственного интеллекта более доступным, мы открытый исходный код нашей модели. ЕЦСПП уже экспериментирую с 10-дневными прогнозами GraphCast и мы рады видеть возможности, которые она открывает для исследователей – от адаптации модели к конкретным погодным явлениям до ее оптимизации для различных частей мира.

GraphCast присоединяется к другим современным системам прогнозирования погоды от Google DeepMind и Google Research, включая региональную модель текущего прогнозирования, которая дает прогнозы на 90 минут вперед, и МетНет-3региональная модель прогнозирования погоды, уже действующая в США и Европе, которая дает более точные 24-часовые прогнозы, чем любая другая система.

Пионерское использование искусственного интеллекта 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. Мы надеемся, что путем разработки новых инструментов и ускорения исследований ИИ сможет расширить возможности мирового сообщества для решения наших самых серьезных экологических проблем.