Сегодняшние прогнозы погоды поступают с самых мощных компьютеров на Земле. Огромные машины производят миллионы вычислений, решая уравнения для предсказания температуры, ветра, осадков и других погодных явлений. Совокупная потребность прогноза в скорости и точности облагает налогом даже самые современные компьютеры.

Будущее может принять совершенно иной подход. Сотрудничество между Вашингтонским университетом и Microsoft Research показывает, как искусственный интеллект может анализировать прошлые погодные условия для прогнозирования будущих событий, гораздо более эффективно и потенциально более точно, чем сегодняшние технологии.

Недавно разработанная глобальная модель погоды основывает свои прогнозы на данных о погоде за последние 40 лет, а не на детальных физических расчетах. Согласно статье, опубликованной этим летом в журнале Journal of Advances in Modeling Earth Systems, простая, основанная на данных модель ИИ может моделировать годовую погоду по всему земному шару гораздо быстрее и почти так же хорошо, как и традиционные модели погоды, делая аналогичные повторяющиеся шаги от одного прогноза к другому.

"Машинное обучение, по сути, делает прославленную версию распознавания образов", - сказал ведущий автор Джонатан Вейн, который провел это исследование в рамках своей докторской степени UW в области атмосферных наук. "Он видит типичный паттерн, распознает, как он обычно развивается, и решает, что делать, основываясь на примерах, которые он видел за последние 40 лет данных."

Хотя новая модель, что неудивительно, менее точна, чем сегодняшние лучшие традиционные модели прогнозирования, нынешний дизайн ИИ использует примерно в 7000 раз меньше вычислительной мощности для создания прогнозов для того же числа точек на земном шаре. Меньшая вычислительная работа означает более быстрые результаты.

Это ускорение позволило бы центрам прогнозирования быстро запускать множество моделей с немного отличающимися начальными условиями, метод, называемый "ансамблевым прогнозированием", который позволяет прогнозам погоды охватывать диапазон возможных ожидаемых результатов для погодного события—например, где может произойти ураган.

"В этом подходе гораздо больше эффективности, вот что в нем так важно", - сказал автор Дейл Дюрран, профессор атмосферных наук Калифорнийского университета. "Обещание состоит в том, что это может позволить нам справиться с проблемами предсказуемости, имея модель, которая достаточно быстра, чтобы управлять очень большими ансамблями."

Соавтор Рич Каруана из Microsoft Research первоначально обратился к UW group с предложением предложить проект с использованием искусственного интеллекта для прогнозирования погоды на основе исторических данных, не полагаясь на физические законы. Вейн проходил курс компьютерных наук UW по машинному обучению и решил заняться этим проектом.

"После обучения на прошлых данных о погоде алгоритм ИИ способен находить отношения между различными переменными, которые физические уравнения просто не могут сделать", - сказал Вейн. "Мы можем позволить себе использовать гораздо меньше переменных и, следовательно, сделать модель намного быстрее."

Чтобы объединить успешные методы ИИ с прогнозом погоды, команда нанесла на карту шесть граней куба на планету Земля, а затем выровняла шесть граней куба, как в архитектурной бумажной модели. Авторы по-разному трактовали полярные паттерны из-за их уникальной роли в погоде как одного из способов повышения точности прогноза.

Затем авторы проверили свою модель, предсказав глобальную высоту давления в 500 гектопаскалей, стандартную переменную в прогнозировании погоды, каждые 12 часов в течение всего года. В недавней статье, в которой Вейн был соавтором, WeatherBench был представлен в качестве эталонного теста для прогнозов погоды, основанных на данных. В этом тесте прогнозирования, разработанном для трехдневных прогнозов, эта новая модель является одной из лучших.

По словам авторов, модель, основанная на данных, нуждается в большей детализации, прежде чем она сможет конкурировать с существующими оперативными прогнозами, но эта идея обещает стать альтернативным подходом к составлению прогнозов погоды, особенно с учетом растущего количества предыдущих прогнозов и наблюдений за погодой.

ИСТОЧНИК