Rapporter

Tomorrow.io-forskning viser, at bedre startdata kan forbedre AI-vejrprognoser

Silas Venn
Føj Unite.AI til dine foretrukne kilder på Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
NøglepunkterBedre indledende atmosfæriske data forbedrede Aurora-prognoser uden at ændre selve…
Vis mere
  • Bedre indledende atmosfæriske data forbedrede Aurora-prognoser uden at ændre selve modellen.
  • Gevinsten på én dag sammenligner Sky 1-initialisering med rå GFS snarere end at isolere satellitobservationer.
  • Fremskridt inden for vejr-AI afhænger af hele kæden af observationsassimilering, forudsigelse og evaluering.

Tomorrow.io argumenterer for, at AI-vejrprognoser kan forbedres, før selve prognosemodellen overhovedet begynder at køre. Den seneste forskning viser, at bedre estimater af atmosfærens aktuelle tilstand kan forbedre prognoser fra Microsofts Aurora 1.5 og Google DeepMinds WeatherNext 2 uden at ændre prognosemodellerne.

Virksomhedens meddelelse den 17. november beskriver Sky 1, et maskinlæringsbaseret dataassimilationssystem, der opdaterer startbetingelserne hver time ved hjælp af observationer fra virksomhedens konstellation af 15 mikrobølgesonder. Instrumenterne tilfører oplysninger om temperatur og fugtighed, også gennem skyer og over områder med få observationer.

Resultaterne tyder på, at observationssystemer og den software, der klargør modellens input, fortjener lige så stor opmærksomhed som modellens arkitektur. De omfatter også to forskellige sammenligninger: satellitobservationernes bidrag og den bredere fordel ved at bruge Sky 1 til at initialisere Aurora.

Derfor er atmosfærens starttilstand vigtig

En vejrmodel har brug for en starttilstand: et tredimensionelt estimat af forhold som temperatur, luftfugtighed og vind. Observationer indsamles forskellige steder, i forskellige højder og på forskellige tidspunkter. Dataassimilering samler målingerne med et eksisterende estimat af atmosfæren for at skabe et sammenhængende udgangspunkt.

ECMWF’s forklaring af ERA5 beskriver denne kombination af modeller og observationer. ERA5 rekonstruerer fortidens vejr i et sammenhængende globalt datasæt, hvilket gør det nyttigt som reference ved evaluering af prognoser. Det er fortsat en rekonstruktion af atmosfæren med egne model- og observationsinput.

Hurtig inferens handler om, hvor hurtigt en model kan beregne, hvad der sker næste gang. Bedre initialisering handler om, hvor godt modellen ved, hvad der sker lige nu. Selv en avanceret model kan videreføre et unøjagtigt startestimat i sine prognoser.

Hvad satellitsammenligningen viste

Tomorrow.io oplyser, at tilføjelsen af virksomhedens observationer reducerede fejlen i vanddampens starttilstand med cirka 5–8 % på tværs af 28 tilfælde målt mod ERA5. I evalueringen af prognoserne havde 112 Aurora 1.5-prognoser en lavere gennemsnitlig fejl i temperaturen tæt på jordoverfladen ved alle evaluerede prognosehorisonter på op til fem dage, når observationerne indgik. Virksomheden beskriver forbedringerne som beskedne og størst i de første to dage.

I virksomhedens offentliggjorte metoder anvendes par af starttilstande: Sky 1 klargør én med observationer fra konstellationen og en anden uden disse observationer. Den samme prognosemodel køres med hver starttilstand, så evalueringen kan isolere effekten af de ekstra data.

Sammenligningen med vejrstationer omfattede cirka 17.700 stationer. WeatherNext 2 blev også testet med de parvise starttilstande.

Hvad resultatet om en »ekstra dag« faktisk betyder

Den omtrentlige gevinst på én dags prognosehorisont stammer fra en separat sammenligning mellem Aurora initialiseret med Sky 1 og Aurora initialiseret direkte med data fra Global Forecast System (GFS). Tomorrow.io oplyser, at kørslen med rå GFS-data nåede samme fejlniveau som Sky 1-prognosen for fem dage cirka 24,9 timer tidligere, når den blev evalueret mod ERA5. Sammenlignet med vejrstationer var den tilsvarende gevinst cirka 10 timer.

Virksomheden tilskriver udtrykkeligt dette resultat Sky 1 som helhed, ikke alene satellitkonstellationen. Den siger, at en del af forbedringen skyldes, at Aurora får en starttilstand, der ligner den type, modellen mødte under træningen.

Denne forskel er afgørende for fortolkningen af forskningen. Resultatet svarende til en dags gevinst måler ydeevnen ved en bestemt tærskel for temperaturfejl og i forhold til en bestemt reference. Det viser ikke, at alle prognosevariable, regioner eller ekstreme vejrhændelser bliver forudsigelige en hel dag tidligere.

Teknologien bag de nye observationer

Tomorrow.io’s dokumentation for mikrobølgesonder beskriver passive radiometre, der leverer profiler af atmosfærens temperatur og vanddamp. Virksomheden angiver mere end 12 kanaler fordelt på 91–204 GHz samt scanning på tværs af satellittens bane over en stribe på cirka 2.200 kilometer.

Instrumenterne leverer målinger til en atmosfærisk analyse; de producerer ikke direkte en færdig prognose. Værdien af en observation afhænger af dens kalibrering, dækning og timing samt af, hvordan assimilationssystemet indarbejder den. Dermed forbindes rumteknologien med den inputpipeline, som AI-vejrmodeller bruger.

Aurora og WeatherNexts rolle

Microsoft beskriver Aurora 1.5 som en videreudvikling af virksomhedens grundmodel for jordsystemet med tilføjelse af timebaseret tidsopløsning, flere prognosevariable og sandsynlighedsbaserede ensembleprognoser. Et ensemble repræsenterer flere mulige fremtidige udfald og hjælper brugerne med at vurdere usikkerheden.

WeatherNext 2 anvender en arkitektur med funktionelle generative netværk til global ensembleprognosticering. Googles dokumentation angiver et gitter med 0,25 graders opløsning, 64 medlemmer i ensemblet og en prognosehorisont på 15 dage. Tomorrow.io’s rapporterede evaluering dækker en prognosehorisont på fem dage.

Google har siden lanceret WeatherNext 3, som inddrager aktuelle satellitobservationer og udarbejder prognoser på timebasis. De resultater fra Tomorrow.io, der omtales her, vedrører WeatherNext 2; de dokumenterer ikke en forbedring af Googles nyere model.

En bredere retning for AI til vejrudsigter

Det er evalueringer foretaget efterfølgende og rapporteret af virksomheden. De giver en nyttig mulighed for at afprøve kvaliteten af initialiseringen og observationerne, mens det i udgivelsen oplyses, at data kan fås efter anmodning. Den beskriver arbejde med at evaluere orkanbaner, atmosfæriske floders landgang og udbrud af ekstremt vejr, men dokumenterer ikke en tilsvarende gevinst i temperaturprognosernes varslingstid for disse hændelser.

Den bredere lære er, at AI til vejrudsigter gør fremskridt gennem hele prognoseforløbet: observationer, dataassimilation, forudsigelse og evaluering. Tomorrow.io’s test viser, hvordan en undersøgelse af inputdataene kan afdække forbedringer, som man ville overse ved kun at sammenligne prognosemodeller. For brugerne er det afgørende, at forbedringerne er pålidelige og gælder de variable, steder og tidsvinduer for beslutninger, der har betydning for deres drift.

Silas Venn er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker kunstig intelligens på tværs af bæredygtighed, klimavidenskab og miljømæssig innovation. Hans arbejde udforsker, hvordan AI-systemer bruges til at optimere energieffektivitet, forbedre klimamodellering og støtte overgangen til mere bæredygtig infrastruktur og industrier.
Med et fremadrettet og miljømæssigt funderet perspektiv undersøger Silas anvendelser, der spænder fra intelligente elnet til energiprognose og klimarisikoanalyse, kulstofmåling og ressourceoptimering. Han fokuserer på praktiske udrulninger, hvor AI bidrager med målbare miljømæssige fordele, samtidig med at han også behandler begrænsningerne, kompromiserne og de langsigtede implikationer af at skalere disse teknologier ansvarligt.
Artikler skrevet af Silas Venn er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, balance og ansvarlig dækning af AIs rolle i bæredygtighed og klimateknologi.