AI-modellen viser løfte om at generere hurtigere, mere præcise vejrudsigter

Dagens vejrudsigter kommer fra nogle af de mest kraftfulde computere på Jorden. De enorme maskiner kører gennem millioner af beregninger for at løse ligninger for at forudsige temperatur, vind, nedbør og andre vejrbegivenheder. En prognoses kombinerede behov for hastighed og nøjagtighed beskatter selv de mest moderne computere.

Fremtiden kan antage en radikalt anderledes tilgang. Et samarbejde mellem University of Washington og Microsoft Research viser, hvordan kunstig intelligens kan analysere tidligere vejrmønstre for at forudsige fremtidige begivenheder, meget mere effektivt og potentielt en dag mere præcist end nutidens teknologi.

Den nyudviklede globale vejrmodel baserer sine forudsigelser på de seneste 40 års vejrdata, snarere end på detaljerede fysikberegninger. Det enkle, databaseret A.I. model kan simulere et års vejr rundt om på kloden meget hurtigere og næsten lige så godt som traditionelle vejrmodeller, ved at tage lignende gentagne skridt fra den ene prognose til den næste, ifølge et papir offentliggjort i sommer i Journal of Advances in Modeling Earth Systems.

"Maskinlæring er i bund og grund en glorificeret version af mønstergenkendelse, " sagde hovedforfatter Jonathan Weyn, der lavede forskningen som en del af sin UW-doktorgrad i atmosfæriske videnskaber. "Den ser et typisk mønster, anerkender, hvordan det normalt udvikler sig og beslutter, hvad der skal gøres baseret på de eksempler, det har set i de sidste 40 års data."

Selvom den nye model er, ikke overraskende, mindre nøjagtige end nutidens bedste traditionelle prognosemodeller, den nuværende A.I. design bruger omkring 7, 000 gange mindre computerkraft til at lave prognoser for det samme antal punkter på kloden. Mindre beregningsarbejde betyder hurtigere resultater.

Denne fremskyndelse ville gøre det muligt for prognosecentrene hurtigt at køre mange modeller med lidt forskellige startbetingelser, en teknik kaldet "ensemble forecasting", der lader vejrudsigter dække rækken af ​​mulige forventede udfald for en vejrbegivenhed - f.eks. hvor en orkan kan ramme.

"Der er så meget mere effektivitet i denne tilgang; det er det, der er så vigtigt ved det, " sagde forfatteren Dale Durran, en UW professor i atmosfæriske videnskaber. "Løftet er, at det kunne give os mulighed for at håndtere forudsigelighedsproblemer ved at have en model, der er hurtig nok til at køre meget store ensembler."

Medforfatter Rich Caruana ved Microsoft Research havde oprindeligt henvendt sig til UW-gruppen for at foreslå et projekt, der bruger kunstig intelligens til at lave vejrudsigter baseret på historiske data uden at stole på fysiske love. Weyn tog et UW datalogi kursus i maskinlæring og besluttede at tackle projektet.

"Efter træning på tidligere vejrdata, A.I. algoritmen er i stand til at finde på sammenhænge mellem forskellige variable, som fysikligninger bare ikke kan, " sagde Weyn. "Vi har råd til at bruge mange færre variabler og laver derfor en model, der er meget hurtigere."

At fusionere succesrige A.I. teknikker med vejrudsigt, holdet kortlagde seks flader af en terning på planeten Jorden, fladede derefter terningens seks flader ud, som i en arkitektonisk papirmodel. Forfatterne behandlede polaransigterne anderledes på grund af deres unikke rolle i vejret som en måde at forbedre prognosens nøjagtighed på.

Forfatterne testede derefter deres model ved at forudsige den globale højde af trykket på 500 hektopascal, en standardvariabel i vejrudsigt, hver 12. time i et helt år. Et nyligt blad, som inkluderede Weyn som medforfatter, introducerede WeatherBench som en benchmark-test for datadrevne vejrudsigter. På den prognosetest, udviklet til tre-dages prognoser, denne nye model er en af ​​de bedste.

Den datadrevne model ville have brug for flere detaljer, før den kunne begynde at konkurrere med eksisterende driftsprognoser, forfatterne siger, men ideen viser løfte som en alternativ tilgang til at generere vejrudsigter, især med en voksende mængde af tidligere prognoser og vejrobservationer.