Zprávy
Výzkum Tomorrow.io ukazuje, že kvalitnější počáteční data mohou zlepšit předpovědi počasí pomocí AI

Klíčové bodyLepší počáteční atmosférická data zlepšila předpovědi Aurora bez změny samotného modelu.
Zobrazit více
- Lepší počáteční atmosférická data zlepšila předpovědi Aurora bez změny samotného modelu.
- Jednodenní zisk srovnává inicializaci Sky 1 s nezpracovaným GFS, místo aby izoloval satelitní pozorování.
- Pokrok v AI pro počasí závisí na celém řetězci pozorování, asimilace, predikce a vyhodnocování.
Tomorrow.io ukazuje, že předpovědi počasí pomocí AI lze zlepšit ještě před spuštěním samotného předpovědního modelu. Jeho nejnovější výzkum uvádí, že přesnější odhady aktuálního stavu atmosféry mohou zlepšit předpovědi modelů Aurora 1.5 od Microsoftu a WeatherNext 2 od Google DeepMind, aniž by bylo nutné tyto předpovědní modely měnit.
Oznámení ze 17. listopadu společnosti představuje Sky 1, systém asimilace dat založený na strojovém učení, který každou hodinu aktualizuje počáteční podmínky pomocí pozorování z její konstelace 15 mikrovlnných sondážních radiometrů. Tyto přístroje doplňují informace o teplotě a vlhkosti, a to i přes oblačnost a v oblastech s řídkou sítí pozorování.
Výsledky naznačují, že pozornost si vedle architektury modelů zaslouží také pozorovací systémy a software, který připravuje vstupní data modelu. Zároveň se týkají dvou odlišných srovnání: přínosu satelitních pozorování a širšího přínosu použití Sky 1 k inicializaci modelu Aurora.
Proč záleží na počátečním stavu atmosféry
Model počasí potřebuje počáteční stav: trojrozměrný odhad podmínek, jako jsou teplota, vlhkost a vítr. Pozorování pocházejí z různých míst, výšek a časů. Asimilace dat propojuje měření s existujícím odhadem stavu atmosféry a vytváří tak ucelený výchozí bod.
Vysvětlení ERA5 od ECMWF popisuje toto spojení modelů a pozorování. ERA5 rekonstruuje počasí v minulosti v podobě konzistentního globálního souboru dat, takže se hodí jako referenční podklad pro vyhodnocování předpovědí. Stále jde o rekonstrukci atmosféry založenou na vlastních modelových vstupech a pozorováních.
Rychlá inference řeší, jak rychle model dokáže vypočítat, co přijde dál. Kvalitnější inicializace naproti tomu zlepšuje jeho představu o tom, co se děje právě teď. I výkonný model může ve svých předpovědích dál šířit nepřesný počáteční odhad.
Co ukázalo srovnání se satelitními pozorováními
Tomorrow.io uvádí, že přidání jeho pozorování snížilo chybu odhadu vodní páry v počátečním stavu přibližně o 5–8 % ve 28 případech, při srovnání s ERA5. Při vyhodnocení předpovědí mělo 112 předpovědí modelu Aurora 1.5 nižší průměrnou chybu teploty při zemském povrchu v každém hodnoceném předstihu až do pěti dnů, pokud byla pozorování zahrnuta. Společnost označuje zlepšení za mírné a nejvýraznější během prvních dvou dnů.
Publikované metody společnosti využívají dvojice počátečních stavů: Sky 1 připraví jeden s využitím pozorování z konstelace a druhý bez nich. Pro každý z nich se spustí tentýž předpovědní model, což umožňuje při vyhodnocení oddělit přínos přidaných dat.
Srovnání s měřeními ze stanic vycházelo z údajů přibližně 17 700 meteorologických stanic. WeatherNext 2 byl rovněž testován s využitím dvojic počátečních stavů.
Co skutečně znamená výsledek „o den navíc“
Zhruba jednodenní zisk v předstihu vychází z odděleného srovnání modelu Aurora inicializovaného pomocí Sky 1 a modelu Aurora inicializovaného přímo daty Global Forecast System (GFS). Tomorrow.io uvádí, že běh s původními daty GFS dosáhl úrovně chyby pětidenní předpovědi Sky 1 přibližně o 24,9 hodiny dříve, když se výsledky porovnávaly s ERA5. Při srovnání s meteorologickými stanicemi odpovídalo zlepšení přibližně 10 hodinám.
Společnost výslovně připisuje tento výsledek systému Sky 1 jako celku, nikoli pouze satelitní konstelaci. Uvádí, že část zlepšení pramení z toho, že Aurora dostává počáteční stav podobný tomu, s jakým se setkávala během trénování.
Toto rozlišení je pro interpretaci výzkumu zásadní. Výsledek vyjádřený jako zisk v počtu dnů měří výkon při dosažení konkrétního prahu chyby teploty a vůči určité referenci. Nedokládá, že každou předpovídanou veličinu, oblast nebo extrémní jev lze předpovědět o celý den dříve.
Technologie stojící za novými pozorováními
Dokumentace mikrovlnných sondážních radiometrů od Tomorrow.io popisuje pasivní radiometry, které poskytují profily teploty a vodní páry v atmosféře. Společnost uvádí více než 12 kanálů v pásmu 91–204 GHz a snímání napříč směrem letu v pásu širokém zhruba 2 200 kilometrů.
Tyto přístroje poskytují měření pro analýzu atmosféry; samy o sobě nevytvářejí hotovou předpověď. Hodnota pozorování závisí na jeho kalibraci, pokrytí, načasování a na tom, jak ho asimilační systém začlení. Tím se propojuje kosmická technika se vstupním datovým řetězcem, který využívají modely pro předpověď počasí pomocí AI.
Jak do toho zapadají Aurora a WeatherNext
Microsoft popisuje model Aurora 1.5 jako rozšíření svého základního modelu pro zemský systém, které přináší hodinové časové rozlišení, více předpovídaných veličin a pravděpodobnostní ansámblové předpovědi. Ansámbl představuje několik možných budoucích scénářů a pomáhá uživatelům posoudit nejistotu.
WeatherNext 2 využívá architekturu funkční generativní sítě pro globální ansámblové předpovědi. Dokumentace Googlu uvádí síť s rozlišením 0,25 stupně, 64 členů ansámblu a předpovědní horizont 15 dní. Vyhodnocení zveřejněné společností Tomorrow.io se týká pětidenního horizontu.
Google od té doby představil WeatherNext 3, který využívá aktuální satelitní pozorování a vytváří hodinové předpovědi. Výsledky společnosti Tomorrow.io, o nichž je zde řeč, se týkají modelu WeatherNext 2; nedokládají zlepšení novějšího modelu Google.
Širší směřování umělé inteligence pro předpověď počasí
Jde o retrospektivní vyhodnocení, která zveřejnila společnost. Poskytují užitečný test kvality počátečních podmínek a pozorování, přičemž zpráva uvádí, že data jsou k dispozici na vyžádání. Popisuje také vyhodnocování tras hurikánů, míst, kde atmosférické řeky dosahují pevniny, a výskytu extrémních povětrnostních jevů, nedokládá však u těchto událostí stejné prodloužení předstihu předpovědi teploty.
Širší ponaučení spočívá v tom, že umělá inteligence pro předpověď počasí se zdokonaluje v celém procesu tvorby předpovědi: od pozorování přes asimilaci dat a predikci až po vyhodnocení. Testy společnosti Tomorrow.io ukazují, jak může zkoumání vstupních dat odhalit zlepšení, která by při samotném porovnávání architektur předpovědních modelů zůstala nepovšimnuta. Pro uživatele bude podstatným výsledkem spolehlivé zlepšení u proměnných, v místech a v časových intervalech pro rozhodování, které jsou důležité pro jejich činnost.












