Новая модель искусственного интеллекта улучшает оценку неопределенностей в погоде и связанных рисков, обеспечивая более быстрые и точные предсказания на срок до 15 дней.
Погода влияет на каждого из нас, определяя наши выборы, безопасность и повседневную жизнь. С учетом изменений климата, которые провоцируют все больше экстремальных событий, надежные и достоверные прогнозы становятся жизненно важными. Однако полное предсказание погоды невозможно, и точность снижается уже после нескольких дней.
Поскольку идеальный прогноз недостижим, ученые и метеослужбы применяют вероятностные ансамблевые методы, где модель генерирует серию возможных сценариев погоды. Эти ансамблевые подходы полезнее одиночных оценок, поскольку дают лицам, принимающим решения, полное представление о потенциальных условиях в ближайшие дни и недели, включая вероятность каждого варианта.
В свежей публикации в журнале Nature представлена GenCast — наша инновационная ансамблевая модель искусственного интеллекта с высоким разрешением 0,25°. GenCast превосходит ведущую операционную систему Европейского центра среднесрочных прогнозов погоды (ECMWF) ENS в предсказаниях как обычной погоды, так и экстремальных явлений на горизонте до 15 дней. Мы планируем открыть код модели, ее веса и прогнозы для поддержки сообщества метеорологов.
Развитие моделей ИИ для метеорологии
GenCast представляет собой значительный шаг вперед в применении искусственного интеллекта к прогнозированию погоды, опираясь на нашу предшествующую модель, которая была детерминированной и выдавала единственную оптимальную оценку будущих условий. В отличие от нее, GenCast формирует ансамбль из 50 или более вариантов, каждый из которых отражает возможный путь развития погоды.
GenCast построена как диффузионная модель — тип генеративного ИИ, лежащий в основе недавних прорывов в создании изображений, видео и музыки. Тем не менее, эта модель адаптирована к сферической форме Земли и способна точно воспроизводить сложное распределение вероятностей будущих погодных сценариев на основе текущего состояния атмосферы.
Для обучения GenCast использовались данные о погоде за четыре десятилетия из архива ERA5 Европейского центра среднесрочных прогнозов погоды. Эти сведения охватывают параметры вроде температуры, скорости ветра и давления на разных высотах. Модель освоила глобальные метеорологические закономерности с разрешением 0,25° прямо из обработанных метеоданных.
Новый эталон в метеорологических предсказаниях
Чтобы тщательно проверить эффективность GenCast, мы обучили ее на исторических данных до 2018 года и протестировали на сведениях 2019 года. GenCast продемонстрировала более высокую точность по сравнению с ENS от ECMWF — ведущей ансамблевой системой, на которую ежедневно опираются национальные и локальные решения.
Мы провели всесторонние испытания обеих систем, оценив прогнозы различных переменных на разных временных горизонтах — всего 1320 комбинаций. GenCast оказалась точнее ENS в 97,2% случаев, а на сроках свыше 36 часов — в 99,8%.
Улучшенные предсказания экстремальной погоды, такой как жара или сильные ветры, позволяют timely и экономичным образом принимать превентивные меры. GenCast предоставляет большую ценность по сравнению с ENS при планировании подготовки к экстремальным условиям в разнообразных ситуациях принятия решений.
Ансамблевый прогноз отражает неопределенность через несколько предсказаний, иллюстрирующих разные сценарии. Если большинство вариантов указывает на циклон в одной зоне, неопределенность минимальна. Но если пути расходятся, риск выше. GenCast оптимально балансирует уверенность, избегая как переоценки, так и недооценки своих выводов.
Для генерации одного 15-дневного ансамблевого прогноза в GenCast требуется всего 8 минут на едином процессоре Google Cloud TPU v5, и все члены ансамбля можно вычислить параллельно. В то же время традиционные физические ансамбли вроде ENS с разрешением 0,2° или 0,1° занимают часы на суперкомпьютере с десятками тысяч процессоров.
Продвинутые предсказания экстремальных метеоявлений
Более точные оценки рисков экстремальной погоды помогают властям спасать жизни, минимизировать ущерб и экономить средства. При проверке способностей GenCast прогнозировать сильную жару, холод и высокие скорости ветра модель стабильно опережала ENS.
Особенно ценны улучшенные оповещения о тропических циклонах, известных как ураганы и тайфуны. Точные траектории их движения на земле неоценимы. GenCast обеспечивает лучшие предсказания путей этих опасных штормов.
Ансамблевый прогноз GenCast отображает множество возможных траекторий тайфуна Хагибис за семь дней до события, но по мере приближения к побережью Японии разброс сужается в уверенный и верный кластер, точно указывающий на разрушительный циклон.
Улучшенные прогнозы также могут сыграть ключевую роль в других сферах, например, в планировании возобновляемой энергетики. Так, прогресс в оценке ветровой энергии повышает надежность ветряных ферм как устойчивого источника и ускоряет их внедрение. В эксперименте по анализу суммарной мощности ветропарков по всему миру GenCast превзошла ENS по точности.
Следующее поколение метеопрогнозирования и климатических исследований в Google
GenCast входит в растущую коллекцию передовых моделей погоды на базе ИИ от Google, включая детерминированные среднесрочные прогнозы от Google DeepMind, а также NeuralGCM, SEEDS и модели наводнений от Google Research. Эти инструменты начинают интегрироваться в пользовательские функции Google Search и Maps, повышая качество предсказаний осадков, пожаров, потопов и жары.
Мы высоко ценим сотрудничество с метеослужбами и продолжим разрабатывать ИИ-методы для усиления их возможностей. При этом традиционные модели остаются фундаментальными: они предоставляют данные для обучения и начальные условия, необходимые для таких систем, как GenCast. Это взаимодействие ИИ и классической метеорологии подчеркивает преимущества гибридного подхода для улучшения прогнозов и пользы обществу.
Чтобы стимулировать сотрудничество и ускорить исследования в метеорологии и климатологии, мы открыли GenCast, опубликовав ее код и веса, аналогично нашему детерминированному глобальному моделированию погоды.
В ближайшее время мы выпустим реального времени и исторические прогнозы от GenCast и предшественников, позволяя интегрировать эти метеоданные в собственные модели и рабочие процессы.
Мы стремимся к диалогу с метеорологическим сообществом, включая ученых, специалистов, дата-сайентистов, компании возобновляемой энергетики и организации по продовольственной безопасности и реагированию на катастрофы. Такие связи дают глубокие знания, обратную связь и возможности для воздействия — коммерческого и некоммерческого, — что критично для нашей цели применять модели во благо человечества.