Mens tidligere vejrforudsat AIS har erstattet nogle opgaver udført af traditionelle modeller, bruger ny forskning maskinlæring til at erstatte hele processen, hvilket gør den meget hurtigere
Tordenvejr over Indonesien, set fra den internationale rumstation
Et AI -vejrprogram, der kører i et enkelt sekund på et skrivebord, kan matche nøjagtigheden af traditionelle prognoser, der tager timer eller dage på magtfulde supercomputere, hævder dets skabere.
Vejrprognoser har siden 1950’erne været afhængig af fysikbaserede modeller, der ekstrapolerer fra observationer, der blev foretaget ved hjælp af satellitter, balloner og vejrstationer. Men disse beregninger, kendt som numerisk vejrforudsigelse (NWP), er ekstremt intensive og er afhængige af store, dyre og energi-sultne supercomputere.
I de senere år har forskere forsøgt at strømline denne proces ved at anvende AI. Google -forskere oprettede sidste år et AI -værktøj, der kunne erstatte små bidder med kompleks kode i hver celle i en vejrmodel, hvilket skar den krævede computerkraft dramatisk. Deepmind tog senere dette endnu længere og brugte AI til at erstatte hele prognosen. Denne tilgang er blevet vedtaget af Det Europæiske Center for Medium-Range Weather Protecasts (ECMWF), der lancerede et værktøj kaldet det kunstige intelligensprognosesystem i sidste måned.
Men denne gradvise udvidelse af AIs rolle i vejrforudsigelse er ikke klar over at erstatte al traditionel nummerknusning-noget en ny model oprettet af Richard Turner ved University of Cambridge og hans kolleger søger at ændre sig.
Turner siger, at tidligere arbejde var begrænset til prognoser, og vedtaget et trin kaldet initialisering, hvor data fra satellitter, balloner og vejrstationer rundt om i verden samles, rengøres, manipuleres og fusioneres til et organiseret gitter, som prognosen kan starte fra. ”Det er faktisk halvdelen af beregningsressourcerne,” siger Turner.
Forskerne skabte en model kaldet Aardvark Weather, der for første gang erstatter både prognose- og initialiseringsstadierne. Den bruger kun 10 procent af de inputdata, som eksisterende systemer gør, men kan opnå resultater, der kan sammenlignes med de nyeste NWP -prognoser, rapporterer Turner og hans kolleger i en undersøgelse, der vurderer deres metode.
Generering af en fuld prognose, der vil tage timer eller endda dage på en kraftig supercomputer til en NWP -prognose, kan udføres på cirka 1 sekund på en enkelt desktop -computer ved hjælp af Aardvark.
Imidlertid bruger Aardvark en gittermodel af jordoverfladen med celler, der er 1,5 grader firkantet, mens ECMWFs ERA5 -model bruger et gitter med celler så små som 0,3 grader. Dette betyder, at Aardvarks model er for grov til at hente komplekse og uventede vejrmønstre, siger David Schultz ved University of Manchester, UK.
”Der er en masse uløste ting, der foregår, der kan sprænge din prognose,” siger Schultz. ”De repræsenterer overhovedet ikke ekstremerne. De kan ikke løse det i denne skala.”
Turner hævder, at Aardvark faktisk kan slå nogle eksisterende modeller til at hente usædvanlige begivenheder såsom cykloner. Men han indrømmer, at AI-modeller som hans også helt er afhængige af de fysikbaserede modeller til træning. ”Det fungerer absolut ikke, hvis du tager deres træningsdata væk og bare bruger de observationsdata til at træne,” siger han. ”Vi forsøgte at gøre det og gå helt fysik modelfri, men det virkede ikke.”
Han mener, at fremtiden for vejrprognoser kan være forskere, der arbejder på stadig mere nøjagtige fysikbaserede modeller, som derefter bruges til at træne AI-modeller, der gentager deres output hurtigere og med mindre hardware. Nogle er endnu mere optimistiske med hensyn til udsigterne til AI.
Nikita Gourianov ved University of Oxford mener, at AI med tiden vil være i stand til at skabe vejrprognoser, der faktisk overgår NWP. Disse vil blive trænet i observations- og historiske vejrdata alene, hvilket skaber nøjagtige prognoser helt uafhængige af NWP, siger han. “Det er et spørgsmål om skala, men også et spørgsmål om kløgt. Du skal være klog med, hvordan du fodrer dataene i – og hvordan du strukturerer det neurale netværk.”