Познакомьтесь с FourCastNet глобальной моделью прогнозирования погоды на основе данных, которая революционизирует прогнозирование погоды с помощью быстрого и точного метода глубокого обучения.

FourCastNet глобальная модель прогнозирования погоды, революционизирующая прогнозы с помощью быстрого и точного глубокого обучения

В 1920-х годах появилось численное прогнозирование погоды (NWP). Они являются распространенными и помогают в экономическом планировании важных отраслей, включая транспорт, логистику, сельское хозяйство и производство энергии. Точные прогнозы погоды, предупреждающие о серьезных катастрофах заранее, спасли множество жизней. За последние несколько десятилетий прогнозы погоды значительно улучшились в качестве. Льюис Фрай Ричардсон использовал логарифмические таблицы и логарифмические таблицы, чтобы рассчитать первый численный прогноз погоды с помощью динамической модели для единичного места в 1922 году. Это заняло у него шесть недель, чтобы получить прогноз на 6 часов при анализе атмосферы. В 1950-х годах появление электронных компьютеров значительно увеличило скорость прогнозирования, позволяя быстро вычислять операционные прогнозы, которые были полезны для будущих предсказаний.

Улучшения в прогнозировании погоды стали возможными, наряду с улучшением вычислительной мощности, благодаря лучшей параметризации маломасштабных явлений путем более глубокого понимания их физики и лучших атмосферных наблюдений. Последнии позволили улучшить начальное состояние модели. Поскольку у них в несколько раз меньше затрат на обработку по сравнению с передовыми NWP-моделями, модели глубокого обучения на основе данных становятся все более популярными для прогнозирования погоды. Построение моделей глубокого обучения для прогнозирования крупномасштабной циркуляции атмосферы было предметом нескольких исследований. Эти модели были обучены на выводах климатических моделей, моделях общей циркуляции (GCM), реанализах или комбинации выводов климатических моделей и реанализах.

Устранение смещений модели, характерных для моделей NWP, и возможность создания больших ансамблей для вероятностного прогнозирования и ассимиляции данных при низкой стоимости вычислений позволяют моделям на основе данных значительно повысить качество прогнозов погоды. Обучившись на данных реанализа или наблюдений, модели на основе данных могут обойти ограничения моделей NWP, включая смещения в схемах параметризации конвекции, существенно влияющие на прогнозы осадков. После обучения модели на основе данных генерируют прогнозы с помощью выводов в несколько раз быстрее обычных моделей NWP, позволяя создавать очень большие ансамбли. В этом контексте исследователи показали, что большие ансамбли на основе данных превосходят операционные модели NWP, которые могут включать только ограниченное количество ансамблей в субсезонные-сезонные (S2S) прогнозы.

Кроме того, большой ансамбль поддерживает короткосрочные и долгосрочные прогнозы с помощью прогнозирования эффектов экстремальных погодных явлений на основе данных. Однако многие модели погоды на основе данных используют данные низкого разрешения для обучения, часто с разрешение 5,625 или 2. Прогнозирование некоторых широких, низкоразрешенных атмосферных переменных было успешным в прошлом. Однако процесс утраты информации о физических явлениях низкого масштаба приводит к потере важной мелкомасштабной информации. Модели на основе данных должны предоставлять прогнозы с тем же или лучшим разрешением, чем самые современные численные модели погоды с разрешением 0,1, чтобы быть действительно эффективными. К примеру, оценки с пространственным разрешением 5,625 обеспечивают мизерную сетку из 32×64 пикселей, представляющую мир.

Такой прогноз не способен отличить объекты меньше 500 км. Значительные влияния маломасштабной динамики на большие масштабы и влияние топографических факторов, таких как горные хребты и озера, на маломасштабную динамику не учитываются в таких неточных прогнозах. Прогнозы низкого разрешения могут быть использованы только в определенных ситуациях. Высокоразрешенные данные (например, с разрешением 0,25) могут значительно улучшить прогнозы моделей на основе данных для переменных таких, как низкоуровневые ветры (U10 и V10), которые имеют сложные мелкомасштабные структуры, хотя прогнозы низкого разрешения могут быть обоснованы для переменных, таких, как геопотенциал на уровне 500 гПа (Z500), которые не имеют множества мелкомасштабных структур.

Более того, более крупная сетка не сможет точно отображать формирование и поведение высокоинтенсивных событий, таких, как тропические циклоны. Высокоразрешенные модели могут решить эти аспекты. Их стратегия: исследователи из корпорации NVIDIA, Лоуренс-Беркли, Райсского университета, Университета Мичигана, Калифорнийского технологического института и Пердьюского университета создают FourCastNet, модель прогнозирования на основе нейронной сети с использованием фурье, чтобы производить глобальные прогнозы важных атмосферных переменных с разрешением 0,25, или примерно 30 км у экватора, и глобальным размером сетки 720*1440 пикселей. Это позволяет нам впервые непосредственно сравнить наши результаты с результатами модели высокого разрешения (IFS) от ЕЦМГ.

Рисунок 1 показывает прогноз скорости ближней поверхностной ветра по всему миру с предварительным временем на 96 часов. Они подчеркивают значимые высокоразрешающие особенности, определенные и надежно отслеженные их прогнозом, такие как Супер Тайфун Мангхут и три названных циклона (Флоренс, Исаак и Хелен), движущиеся к восточному побережью Соединенных Штатов.

В заключение, FourCastNet предлагает четыре новых улучшения для прогнозирования погоды на основе данных:

1. FourCastNet точно прогнозирует сложные переменные, такие как поверхностные ветры и осадки на прогнозируемые сроки до недели. Прогнозирование поверхностных ветров в глобальном масштабе еще не было попытано с использованием моделей глубокого обучения (DL). Более того, глобальные модели DL для осадков до сих пор не могут разрешать мелкомасштабные особенности. Планирование ресурсов ветровой энергии и смягчение катастроф значительно зависят от этого.

2. FourCastNet предлагает восьмиразово более высокое разрешение по сравнению с передовыми глобальными моделями погоды на основе DL. FourCastNet разрешает серьезные явления, такие как тропические циклоны и атмосферные реки, которые требуют большего представления в ранее созданных DL-моделях из-за их более грубых сеток, высокого разрешения и точности.

3. С прогнозируемыми сроками до трех дней прогнозы FourCastNet эквивалентны модели IFS в терминах метрик, таких как среднеквадратическое отклонение (RMSE) и корреляционный коэффициент аномалии (ACC). Затем, на сроки вплоть до недели, все прогнозы модели FourCastNet отстают от IFS на значительное расстояние. FourCastNet моделирует 20 переменных на пяти вертикальных уровнях и находится только на основе данных, в отличие от модели IFS, которая была создана на протяжении десятилетий, состоит из более чем 150 переменных на более чем 50 вертикальных уровнях в атмосфере и управляется физикой. Этот контраст демонстрирует огромный потенциал моделирования на основе данных для будущей замены и дополнения NWP.

4. По сравнению с текущими ансамблями NWP, которые состоят из максимум около 50 участников из-за высокой вычислительной стоимости, достоверные, быстрые и доступные по стоимости прогнозы FourCastNet позволяют создавать очень большие ансамбли, позволяющие оценивать хорошо откалиброванные и ограниченные неопределенности в экстремальных ситуациях с уверенностью. Возможности прогнозирования погоды с помощью вероятностных методов значительно изменяются быстрым развитием 1000-членных ансамблей, улучшающих точность ранних предупреждений о экстремальных погодных явлениях и делающих возможным быстрое оценивание их последствий.