Генеративный искусственный интеллект для количественной оценки неопределённости в прогнозировании погоды
Автор: Лизао (Ларри) Ли, инженер-программист, и Роб Карвер, научный сотрудник, Google Research
Точные прогнозы погоды могут напрямую влиять на жизнь людей: от помощи в принятии повседневных решений, например, что взять с собой на прогулку, до информирования о срочных действиях, например, защиты людей в опасных погодных условиях. Значение точных и своевременных прогнозов погоды будет только возрастать по мере изменения климата. Осознавая это, мы в Google инвестируем в исследования погоды и климата, чтобы обеспечить соответствие технологий прогнозирования будущего спроса на надёжную информацию о погоде.
Среди наших последних инноваций — MetNet-3, прогнозы Google с высоким разрешением на срок до 24 часов в будущем, и GraphCast, модель погоды, которая может прогнозировать погоду на срок до 10 дней вперёд.
Погода по своей природе стохастична
Чтобы количественно оценить неопределённость, традиционные методы основаны на физическом моделировании для генерации ансамбля прогнозов. Однако создание большого ансамбля для точного выявления и характеристики редких и экстремальных погодных явлений требует значительных вычислительных ресурсов.
Учитывая это, мы рады объявить о нашей последней инновации, призванной ускорить прогресс в области прогнозирования погоды — Scalable Ensemble Envelope Diffusion Sampler (SEEDS), недавно опубликованной в Science Advances. SEEDS — это генеративная модель искусственного интеллекта, которая может эффективно генерировать ансамбли прогнозов погоды в масштабе при незначительной части затрат традиционных физических моделей прогнозирования.
Эта технология открывает новые возможности для науки о погоде и климате и представляет одно из первых применений вероятностных диффузионных моделей в прогнозировании погоды и климата.
Необходимость вероятностных прогнозов: эффект бабочки
На встрече Американской ассоциации содействия развитию науки в Вашингтоне, округ Колумбия, профессор метеорологии Массачусетского технологического института Эд Лоренц выступил с докладом под названием «Взмах крыльев бабочки в Бразилии вызывает торнадо в Техасе?», который способствовал появлению термина «эффект бабочки». Он опирался на свою более раннюю эпохальную статью 1963 года, где он исследовал возможность «долгосрочного прогнозирования погоды» и описал, как ошибки в начальных условиях экспоненциально растут при интегрировании во времени с помощью численных моделей прогнозирования погоды.
Этот экспоненциальный рост ошибок, известный как хаос, приводит к детерминированному пределу предсказуемости, который ограничивает использование индивидуальных прогнозов при принятии решений, поскольку они не учитывают неопределённость погодных условий. Это особенно проблематично при прогнозировании экстремальных погодных явлений, таких как ураганы, волны тепла или наводнения.
Признавая ограничения детерминированных прогнозов, метеорологические агентства по всему миру выдают вероятностные прогнозы. Такие прогнозы основаны на ансамблях детерминированных прогнозов, к...