Познакомьтесь с GraphCast от DeepMind прорыв в прогнозировании погоды при помощи машинного обучения

Знакомство с GraphCast от DeepMind прорыв в прогнозировании погоды с помощью машинного обучения

В значительном прорыве в технологии прогнозирования погоды, Google DeepMind представил GraphCast, революционную модель машинного обучения. Это инструмент искусственного интеллекта олицетворяет значительный скачок вперед, предлагая более точные и быстрые прогнозы, чем существующие методы, и вызывая доминирование традиционных числовых моделей прогнозирования погоды.

Революционизация прогнозирования погоды

GraphCast эффективно работает на десктопном компьютере, в ярком контрасте с моделями NWP, зависящими от суперкомпьютеров и требующими больших затрат энергии и средств. Описанные 14 ноября в журнале Science, искусственная модель использует прошлые и настоящие данные о погоде для быстрого прогнозирования будущих погодных условий.

Это новшество приходит важным моментом, когда точное прогнозирование погоды становится все более важным с учетом мировых вызовов, связанных с изменением климата и экстремальными погодными явлениями. Традиционные модели NWP, хотя и точны, требуют обширных вычислительных ресурсов для отображения движения тепла, воздуха и водяного пара в атмосфере.

Преимущества GraphCast по сравнению с традиционными моделями

Разработанный в лондонской лаборатории DeepMind, GraphCast был обучен на основе исторических данных о погоде по всему миру с 1979 по 2017 годы. Он использует этот огромный набор данных для понимания корреляций между различными погодными элементами, такими как температура, влажность, атмосферное давление и ветер. Его предсказательные возможности распространяются на 10 дней вперед, предлагая прогнозы менее чем за минуту, что с системой прогнозирования RESolution (HRES), входящей в состав NWP ECMWF, занимает несколько часов.

Известно, что в тропосфере – атмосферном слое, ближайшем к поверхности Земли – GraphCast превосходит HRES в более чем 99% из 12 000 измерений. Он точно предсказывает пять погодных переменных на поверхности Земли и шесть атмосферных переменных на более высоких высотах. Эта компетентность распространяется на прогнозирование сильных погодных явлений, таких как тропические циклоны и экстремальные флуктуации температуры.

Сравнительное преимущество

Превосходство GraphCast не только по сравнению с традиционными моделями, но также выделяется среди других подходов, основанных на искусственном интеллекте. По сравнению с моделью Pangu-weather от Huawei, GraphCast показал более высокую производительность в 99% случаев прогноза погоды, согласно предыдущему исследованию Huawei. Однако следует отметить, что будущие оценки с использованием различных метрик могут давать разные результаты.

Заключение

GraphCast олицетворяет революционный шаг в прогнозировании погоды, предлагая быстрые и точные прогнозы при сниженных вычислительных требованиях. По мере развития технологии и преодоления ее текущих ограничений она обещает значительно помочь метеорологическим исследованиям и принятию решений в реальном мире, связанным с погодозависимыми действиями. С проектированными двумя пятью годами до ее интеграции в практические приложения, GraphCast открывает путь к новой эре в прогнозировании погоды, сочетая традиционные методы с инновационной мощью искусственного интеллекта.