В нескольких словах
Новые системы прогнозирования погоды на основе ИИ обещают революцию в метеорологии, предлагая более точные и быстрые прогнозы, но неопределенность остается проблемой.
В наши дни люди постоянно обращаются к приложениям погоды
Чтобы узнать о погоде на время отпуска, узнать, смогут ли пройти процессии, в каком состоянии будет урожай, сколько энергии выработают ветряные мельницы и солнечные панели, можно ли будет плавать или просто высушить одежду.
Современные инструменты прогнозирования погоды основываются на тысячах данных из сотен источников, для сбора и обработки которых требуются часы и даже дни с использованием суперкомпьютеров.
Несмотря на это, прогноз более чем на три дня остается неопределенным.
Новая система Aardvark Weather
Новая система, получившая название Aardvark Weather и разработанная на основе искусственного интеллекта и моделей обучения на основе восьмидесятилетних физических данных, «в тысячи раз быстрее и точнее, чем все предыдущие методы прогнозирования погоды», по словам Ричарда Тернера из Департамента инженерии Кембриджа, главного автора исследования, опубликованного в Nature.
Информации недостаточно, а качество данных оставляет желать лучшего.
Изменчивый характер таких явлений, как холодный фронт, ограничивает надежность автоматических прогнозов.
Тернер воодушевлен результатами исследования, разработанного Кембриджским университетом при поддержке Института Алана Тьюринга, Microsoft Research и Европейского центра среднесрочных прогнозов погоды (ECMWF): «Aardvark переосмысливает существующие методы прогнозирования погоды, предлагая возможность сделать прогнозы погоды быстрее, дешевле, гибче и точнее, чем когда-либо, помогая преобразовать прогнозирование погоды как в развитых, так и в развивающихся странах».
Системы численного прогнозирования погоды (NWP)
Системы численного прогнозирования погоды (NWP) берут начало в 1950-х годах и сейчас способны предсказывать широкий спектр переменных на срок до 15 дней.
Они основаны на обработке моделей атмосферы с использованием суперкомпьютеров на основе десятилетий зарегистрированных наблюдений, динамики жидкостей и статистической постобработки данных дистанционного зондирования, радаров, радиозондов и самолетов.
Использование, разработка, обслуживание и внедрение этих сложных систем требуют много времени и больших команд экспертов.
Aardvark заменяет весь этот процесс методами сквозного машинного обучения, основанными на искусственном интеллекте, и, по словам его создателей, «снижает вычислительные затраты, устраняет предвзятость некоторых аспектов систем NWP и позволяет быстро и точно создавать прототипы».
«Используя только 10% входных данных существующих систем, Aardvark уже превосходит Глобальную систему прогнозирования (GFS) и конкурирует с другими метеорологическими службами, которые используют информацию из десятков моделей и анализ экспертных прогнозистов», - утверждают исследователи.
И, по словам Анны Аллен из Департамента компьютерных наук и технологий Кембриджа и соавтора работы, «эти результаты - только начало».
В этом смысле она добавляет: «Этот сквозной подход к обучению легко может быть применен к другим проблемам прогнозирования погоды, например, ураганам, лесным пожарам и торнадо. Помимо климата, его приложения распространяются на более широкое прогнозирование системы Земли, включая качество воздуха, динамику океана и прогнозирование морского льда».
Другим применением, помимо глобальных и локальных явлений, является разработка индивидуальных прогнозов, на что с использованием традиционных систем потребовались бы годы и огромная сумма:
«Его гибкость и простой дизайн, благодаря тому, что он учится непосредственно на данных, можно быстро адаптировать для получения индивидуальных прогнозов для конкретных отраслей или мест, будь то прогнозирование температуры для африканского сельского хозяйства или скорости ветра для компании возобновляемой энергетики в Европе».
Чтобы защитить это достоинство, Тернер уточняет: «Всего за 18 месяцев мы смогли создать нечто, что конкурирует с лучшими из этих [обычных] систем, используя только десятую часть данных на настольном компьютере».
Скотт Хоскинг, коллега исследователя из Института Алана Тьюринга, настаивает на том, что потенциал ИИ «изменяет принятие решений для всех, от политиков и планировщиков чрезвычайных ситуаций до отраслей, которые зависят от точных прогнозов погоды».
Но, как и все модели искусственного интеллекта, его результаты зависят от данных, из которых он черпает вдохновение для разработки своих предложений и решений.
В данном случае памятью нового мозга стал ERA5 Европейского центра среднесрочных прогнозов погоды (ECMWF), сочетание данных моделей восьми десятилетий с наблюдениями, соответствующими физическим законам со всего мира.
В этом смысле Мэтью Чантри, стратегический директор по машинному обучению в ECMWF, подчеркивает важность научного сотрудничества: «Мы рады сотрудничать в этом проекте, который изучает следующее поколение систем прогнозирования погоды. Часть нашей миссии - разрабатывать и предлагать оперативные прогнозы погоды на основе ИИ, открыто делясь данными в интересах науки и общества в целом».
«Aardvark представляет собой не только важное достижение в прогнозировании погоды с помощью ИИ, но и отражает силу сотрудничества и объединения исследовательского сообщества для улучшения и значимого применения технологий ИИ», - добавляет Крис Бишоп из Microsoft Research.
Несмотря на новую систему, создатели которой утверждают, что она быстрее, точнее и эффективнее традиционных моделей, прогнозирование погоды по-прежнему сталкивается с неопределенностью, порождаемой множеством факторов, участвующих в очень сложных процессах.
В этом смысле профессор факультета математики Севильского университета Эмилио Каррисоса, участвовавший в исследованиях индексов засухи, предупреждает, что в таких случаях, как Дана Валенсии, вступают в игру редкие нестационарные явления.
«У нас недостаточно выборки, чтобы уверенно предсказать результат. Мы говорим о явлениях, для которых у нас нет данных, аналогичных или идентичных тем, которые мы хотим изучить, а только похожих, и здесь мы можем иметь предвзятость, которую мы не можем контролировать и которая является определяющей в этом явлении».
Дим Куму, эксперт по климатологии из Амстердамского университета (Нидерланды), согласен: «Экстремальные события по определению редки. Так что у вас не всегда много наблюдений. Это большое препятствие, если вы хотите использовать методы искусственного интеллекта».
Точно так же аргентинский астрофизик Густаво Ромеро считает прогнозирование погоды одним из самых сложных процессов: «Метеорологи могут делать вероятностные прогнозы с окном, максимум, в неделю. Но пытаться сделать это дальше практически невозможно, потому что небольшие возмущения в начальных условиях быстро распространяются и приводят к огромным изменениям в результатах».
Несмотря на трудности, технологические гиганты, такие как Google или IBM, в сотрудничестве с НАСА, а также другие европейские и другие учреждения с других континентов в рамках пятилетнего плана Организации Объединенных Наций работают в том же направлении, что и Оксфордский университет с Aardvark: разрабатывать инструменты искусственного интеллекта, которые облегчат надежное прогнозирование в среднесрочной и долгосрочной перспективе и улучшат системы раннего предупреждения.
Google DeepMind, компания по искусственному интеллекту североамериканского технологического гиганта, в Science показала модель прогнозирования погоды, основанную на машинном обучении, чтобы предоставить прогнозы на 10 дней «лучше, быстрее и доступнее, чем существующие подходы», согласно исследованию.
Модель, получившая название GraphCast, превзошла традиционные системы в 90% протестированных случаев.
Система, которая послужила ориентиром для Google, также была Европейским центром среднесрочных прогнозов погоды, который имеет в Болонье (Италия) суперкомпьютер с около миллионом процессоров и мощностью 30 петафлопс (30 000 триллионов вычислений в секунду).
Этот центр, который использует искусственный интеллект в своей интегрированной системе прогнозирования (AIFS) и предлагает долгосрочные прогнозы климатических событий, предсказал проливные дожди в сентябре в центральной Европе.
GraphCast, как и Aardvark, прибегает к машинному обучению, обученному на основе исторических данных, чтобы выдать точный 10-дневный прогноз менее чем за минуту.
«Мы считаем, что это поворотный момент в прогнозировании погоды», - заявляют авторы, во главе с Реми Ламом, ученым из DeepMind.
В этой гонке также участвует IBM в сотрудничестве с НАСА с предложением, также основанным на машинном обучении.
«Фундаментальные модели искусственного интеллекта, использующие геопространственные данные [погоды, датчиков и спутников], могут изменить правила игры, потому что они позволяют нам лучше понимать, готовиться и решать многочисленные явления, связанные с климатом, которые влияют на здоровье нашей планеты, способами и скоростью, которые никогда раньше не наблюдались», - объясняет Алессандро Куриони, вице-президент по ускоренным исследованиям в IBM.
