WeatherNext 3 на Google DeepMind се обучава с наблюдения от метеорологични станции, за да предоставя глобални прогнози с резолюция 5 км, обновявани на всеки час

Моделите за времето с изкуствен интелект прекараха три години в намаляване на разликата с прогнозите, базирани на физични модели, но два проблема останаха нерешени: твърде ниска резолюция за локалния релеф и инициализация, зависеща от анализа за числено прогнозиране на времето (NWP), който пристига с около шест часа закъснение. WeatherNext 3, представен от Google DeepMind и Google Research, атакува и двата проблема. Той използва актуална глобална мозайка от геостационарни спътници като директен вход за модела, инициализира се наново всеки час и генерира прогнози с резолюция до 0,05° (~5 км), като се обучава спрямо сурови измервания от метеорологични станции, а не само спрямо мрежи от повторен анализ. Според Google AI независими оценки в реално време от Brightband го класират като най-точния глобален метеорологичен модел досега.

Може ли да бъде внедрен? Частично. Данните от прогнозите са налични още сега чрез BigQuery, Earth Engine и Cloud Storage след заявка за добавяне към списък с разрешени потребители, но теглата на WeatherNext 3 не са с отворен код, а персонализираното инфериране при поискване все още използва WeatherNext 2.

Архитектура и входни данни

WeatherNext 3 е трансформатор с мрежа от Functional Generative Network (FGN), същото вероятностно семейство, представено с WeatherNext 2, мащабирано за генериране на изходни данни с множество резолюции. Входните данни включват актуална мозайка от геостационарни спътници и анализ HRES на ECMWF. Обучението използва ERA5/HRES-fc0, IMERG на NASA, наблюдения от станции и мозайки от спътникови изображения.

Повечето AI модели за прогноза на времето се обучават с повторен анализ от NWP, който изглажда локалните вариации, действително породени от брегови линии, долини и планини. WeatherNext 3 обучава специални наблюдателни глави директно със сурови измервания от станции, така че неговите изходни данни за температура и точка на оросяване с резолюция 0,05° са калибрирани спрямо записаното от инструментите, а не спрямо представянето на атмосферата от даден модел.

Резолюция и честота

Едно единствено предаване през модела генерира три нива: температура на 2 м и точка на оросяване с резолюция 0,05° (~5 км), обучени спрямо данни от станции; растеризиран приземен вятър с резолюция 0,1° (~10 км) на височина 10 м и 100 м, налягане, температура на морската повърхност, облачни слоеве, слънчева радиация и валежи за 1 час; както и атмосферни полета с резолюция 0,25° (~25 км) на 13 нива на налягане. WeatherNext 2 генерираше полета с резолюция 0,25° на интервали от 6 часа, откъдето идва твърдението за приблизително 5 пъти по-висока детайлност.

Честотата е втората промяна. Моделът се инициализира 24 пъти дневно. Синоптичните цикли в 00, 06, 12 и 18 UTC се простират до 15 дни (360 часа) с 64 ансамблови члена; междинните ежечасни изпълнения обхващат 48 часа. При бързо развиваща се конвекция ежечасното обновяване, основано на актуални спътникови наблюдения, съществено се различава от цикъл на всеки шест часа, базиран на изостанал анализ.

Валежи и променливи за чиста енергия

Валежите са областта, в която глобалните модели исторически се представят най-слабо, като генерират размити полета, пропускащи границите на бурите. WeatherNext 3 се обучава с три източника на данни за валежите: повторен анализ на ECMWF, спътникови измервания IMERG на NASA и собствения повторен анализ на валежите от спътници и радари на Google. Google съобщава за подобрения на CRPS спрямо базовите модели с до 60% спрямо IMERG, 30% спрямо MRMS и 10% спрямо дъждомерни станции при кратки прогнозни срокове; в изследването отделно се посочва до 50% намаление на оценките Brier и CRPS спрямо базовите модели на NWP при оценяване спрямо IMERG.

За възобновяемата енергия моделът генерира скорост на вятъра на височина 100 м, приблизителната височина на главината на турбината, пълни разпределения на ниски, средни и високи облаци, както и двата компонента на слънчевото облъчване (SSRD и FDIR). Това съчетание е необходимо на операторите на електроразпределителни мрежи, за да прогнозират производството на вятърна и слънчева енергия спрямо търсенето, и е най-ясният знак, че това издание е насочено към оперативни клиенти, а не само към сравнителни таблици.

Основни изводи

• Ежечасната инициализация с актуални данни от геостационарни спътници заменя шестчасовото закъснение на анализа за NWP.
• Изходни данни с множество резолюции: станционни променливи с резолюция 0,05°, растеризирани приземни данни с резолюция 0,1°, нива на налягане с резолюция 0,25° — при едно предаване през модела.
• Ансамбъл от 64 члена; хоризонт от 15 дни при циклите в 00/06/12/18 UTC и 48 часа при междинните ежечасни изпълнения.
• CRPS за валежите се подобрява с до 60% спрямо IMERG при кратки прогнозни срокове според оценките на Google.
• Достъпът до данните е отворен след заявка; самият модел не предоставя отворени тегла.

---

Вижте научната статия и техническите подробности. Също така последвайте ни в Twitter и не забравяйте да се присъедините към нашия SubReddit за машинно обучение с над 150 хил. членове и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и в Telegram.

Имате нужда от партньор за популяризиране на вашето GitHub хранилище ИЛИ страница в Hugging Face, ИЛИ продуктово представяне, ИЛИ уебинар и т.н.? Свържете се с нас