Αναφορές

Έρευνα της Tomorrow.io δείχνει ότι καλύτερα αρχικά δεδομένα μπορούν να βελτιώσουν τις προγνώσεις καιρού με ΤΝ

Silas Venn
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Βασικά σημείαΚαλύτερα αρχικά ατμοσφαιρικά δεδομένα βελτίωσαν τις προβλέψεις Aurora χωρίς να αλλάξουν…
Δείτε περισσότερα
  • Καλύτερα αρχικά ατμοσφαιρικά δεδομένα βελτίωσαν τις προβλέψεις Aurora χωρίς να αλλάξουν το ίδιο το μοντέλο.
  • Το κέρδος της μίας ημέρας συγκρίνει την αρχικοποίηση Sky 1 με το ακατέργαστο GFS αντί να απομονώνει τις δορυφορικές παρατηρήσεις.
  • Η πρόοδος της τεχνητής νοημοσύνης για τον καιρό εξαρτάται από το πλήρες σύστημα αφομοίωσης παρατηρήσεων, πρόβλεψης και αξιολόγησης.

Η Tomorrow.io υποστηρίζει ότι οι προγνώσεις καιρού με ΤΝ μπορούν να βελτιωθούν πριν καν αρχίσει να λειτουργεί το μοντέλο πρόγνωσης. Σύμφωνα με την τελευταία της έρευνα, οι καλύτερες εκτιμήσεις για την τρέχουσα κατάσταση της ατμόσφαιρας μπορούν να βελτιώσουν τις προβλέψεις των Aurora 1.5 της Microsoft και WeatherNext 2 της Google DeepMind, χωρίς να αλλάξουν τα μοντέλα πρόγνωσης.

Η ανακοίνωση της εταιρείας στις 17 Νοεμβρίου παρουσιάζει το Sky 1, ένα σύστημα αφομοίωσης δεδομένων μηχανικής μάθησης που επικαιροποιεί τις αρχικές συνθήκες κάθε ώρα, αξιοποιώντας παρατηρήσεις από τον αστερισμό της, ο οποίος αποτελείται από 15 μικροκυματικά ηχοβολιστικά όργανα. Τα όργανα προσθέτουν πληροφορίες για τη θερμοκρασία και την υγρασία, ακόμη και μέσα από τα νέφη και σε περιοχές με αραιή κάλυψη παρατηρήσεων.

Τα αποτελέσματα υποδεικνύουν ότι τα συστήματα παρατήρησης και το λογισμικό που προετοιμάζει τα δεδομένα εισόδου ενός μοντέλου αξίζουν εξίσου προσοχή με την αρχιτεκτονική του. Αφορούν επίσης δύο διαφορετικές συγκρίσεις: τη συμβολή των δορυφορικών παρατηρήσεων και το ευρύτερο όφελος από τη χρήση του Sky 1 για την αρχικοποίηση του Aurora.

Γιατί έχει σημασία η αρχική κατάσταση της ατμόσφαιρας

Ένα μοντέλο καιρού χρειάζεται μια αρχική κατάσταση: μια τρισδιάστατη εκτίμηση των συνθηκών, όπως η θερμοκρασία, η υγρασία και ο άνεμος. Οι παρατηρήσεις προέρχονται από διαφορετικά σημεία, υψόμετρα και χρονικές στιγμές. Η αφομοίωση δεδομένων συνδυάζει τις μετρήσεις με μια υπάρχουσα εκτίμηση της ατμόσφαιρας, ώστε να δημιουργήσει ένα συνεκτικό σημείο εκκίνησης.

Η επεξήγηση του ECMWF για το ERA5 περιγράφει αυτόν τον συνδυασμό μοντέλων και παρατηρήσεων. Το ERA5 ανασυνθέτει τις καιρικές συνθήκες του παρελθόντος σε ένα συνεκτικό παγκόσμιο σύνολο δεδομένων, γεγονός που το καθιστά χρήσιμο σημείο αναφοράς για την αξιολόγηση προγνώσεων. Παραμένει ανασύνθεση της ατμόσφαιρας, με τις δικές της εισόδους μοντέλων και παρατηρήσεων.

Η γρήγορη εξαγωγή συμπερασμάτων αφορά την ταχύτητα με την οποία ένα μοντέλο μπορεί να υπολογίσει τι θα συμβεί στη συνέχεια. Η καλύτερη αρχικοποίηση αφορά το πόσο καλά γνωρίζει τι συμβαίνει τώρα. Ακόμη και ένα ισχυρό μοντέλο μπορεί να μεταφέρει μια ανακριβή αρχική εκτίμηση στις επόμενες προβλέψεις του.

Τι έδειξε η σύγκριση των δορυφορικών παρατηρήσεων

Η Tomorrow.io αναφέρει ότι η προσθήκη των παρατηρήσεών της μείωσε κατά περίπου 5–8% το σφάλμα των αρχικών εκτιμήσεων για τους υδρατμούς σε 28 περιπτώσεις, με βάση τη σύγκριση με το ERA5. Στην αξιολόγηση των προγνώσεων, 112 προγνώσεις του Aurora 1.5 παρουσίασαν χαμηλότερο μέσο σφάλμα θερμοκρασίας κοντά στην επιφάνεια σε κάθε αξιολογηθέντα χρόνο πρόγνωσης, έως και τις πέντε ημέρες, όταν περιλαμβάνονταν οι παρατηρήσεις. Η εταιρεία χαρακτηρίζει τα οφέλη μέτρια, με τη μεγαλύτερη βελτίωση να καταγράφεται κατά τις πρώτες δύο ημέρες.

Οι μέθοδοι που δημοσίευσε η εταιρεία χρησιμοποιούν ζεύγη αρχικών καταστάσεων: το Sky 1 δημιουργεί τη μία αξιοποιώντας τις παρατηρήσεις του αστερισμού και την άλλη χωρίς αυτές. Το ίδιο μοντέλο πρόγνωσης εκτελείται και με τις δύο αρχικές καταστάσεις, ώστε η αξιολόγηση να απομονώνει τη συμβολή των πρόσθετων δεδομένων.

Στη σύγκριση με τους μετεωρολογικούς σταθμούς χρησιμοποιήθηκαν περίπου 17.700 σταθμοί. Το WeatherNext 2 δοκιμάστηκε επίσης με τις δύο αρχικές καταστάσεις.

Τι σημαίνει στην πραγματικότητα το αποτέλεσμα της «επιπλέον ημέρας»

Το κέρδος περίπου μίας ημέρας στον χρόνο πρόγνωσης προκύπτει από ξεχωριστή σύγκριση του Aurora που αρχικοποιήθηκε με το Sky 1 και του Aurora που αρχικοποιήθηκε απευθείας με δεδομένα από το Global Forecast System (GFS). Η Tomorrow.io αναφέρει ότι, όταν αξιολογήθηκε με βάση το ERA5, η εκτέλεση με ακατέργαστα δεδομένα GFS έφτασε στο επίπεδο σφάλματος της πρόγνωσης πέντε ημερών του Sky 1 περίπου 24,9 ώρες νωρίτερα. Σε σύγκριση με τους μετεωρολογικούς σταθμούς, το αντίστοιχο κέρδος ήταν περίπου 10 ώρες.

Η εταιρεία αποδίδει ρητά αυτό το αποτέλεσμα στο Sky 1 συνολικά και όχι μόνο στον δορυφορικό αστερισμό. Αναφέρει ότι μέρος της βελτίωσης οφείλεται στο ότι το Aurora λαμβάνει μια αρχική κατάσταση παρόμοια με εκείνες που συνάντησε κατά την εκπαίδευσή του.

Αυτή η διάκριση είναι καθοριστική για την ερμηνεία της έρευνας. Το αποτέλεσμα που ισοδυναμεί με μία ημέρα μετρά την επίδοση σε ένα συγκεκριμένο όριο σφάλματος θερμοκρασίας και έναν συγκεκριμένο τρόπο αναφοράς. Δεν αποδεικνύει ότι κάθε μεταβλητή πρόγνωσης, περιοχή ή ακραίο καιρικό φαινόμενο γίνεται προβλέψιμο μία ολόκληρη ημέρα νωρίτερα.

Η τεχνολογία πίσω από τις νέες παρατηρήσεις

Η τεκμηρίωση της Tomorrow.io για τα μικροκυματικά ηχοβολιστικά όργανα περιγράφει παθητικά ραδιόμετρα που παρέχουν κατακόρυφα προφίλ της θερμοκρασίας και των υδρατμών στην ατμόσφαιρα. Η εταιρεία αναφέρει περισσότερα από 12 κανάλια, τα οποία καλύπτουν τη ζώνη 91–204 GHz, με σάρωση κάθετα προς την τροχιά σε λωρίδα πλάτους περίπου 2.200 χιλιομέτρων.

Τα όργανα αυτά παρέχουν μετρήσεις για την ανάλυση της ατμόσφαιρας· δεν παράγουν απευθείας μια ολοκληρωμένη πρόγνωση. Η αξία μιας παρατήρησης εξαρτάται από τη βαθμονόμηση, την κάλυψη και τον χρονισμό της, καθώς και από τον τρόπο με τον οποίο το σύστημα αφομοίωσης την ενσωματώνει. Έτσι συνδέεται το διαστημικό υλικό με τη ροή επεξεργασίας των δεδομένων εισόδου που χρησιμοποιούν τα μοντέλα πρόγνωσης καιρού με ΤΝ.

Πώς εντάσσονται το Aurora και το WeatherNext

Η Microsoft περιγράφει το Aurora 1.5 ως επέκταση του μοντέλου θεμελίωσης για τα συστήματα της Γης, με ωριαία χρονική ανάλυση, περισσότερες μεταβλητές πρόγνωσης και πιθανοκρατικές προγνώσεις συνόλου. Ένα σύνολο αναπαριστά πολλαπλές πιθανές μελλοντικές εκβάσεις, βοηθώντας τους χρήστες να αξιολογήσουν την αβεβαιότητα.

Το WeatherNext 2 χρησιμοποιεί αρχιτεκτονική Λειτουργικού Παραγωγικού Δικτύου για παγκόσμιες προγνώσεις συνόλου. Σύμφωνα με την τεκμηρίωση της Google, χρησιμοποιεί κάνναβο 0,25 μοιρών, 64 μέλη συνόλου και χρονικό ορίζοντα πρόγνωσης 15 ημερών. Η αξιολόγηση που αναφέρει η Tomorrow.io καλύπτει χρονικό ορίζοντα πέντε ημερών.

Η Google παρουσίασε έκτοτε το WeatherNext 3, το οποίο ενσωματώνει ζωντανές δορυφορικές παρατηρήσεις και παράγει ωριαίες προγνώσεις. Τα αποτελέσματα της Tomorrow.io που συζητούνται εδώ αφορούν το WeatherNext 2· δεν τεκμηριώνουν βελτίωση στο νεότερο μοντέλο της Google.

Μια ευρύτερη κατεύθυνση για την τεχνητή νοημοσύνη στην πρόγνωση του καιρού

Πρόκειται για αναδρομικές αξιολογήσεις που αναφέρθηκαν από την εταιρεία. Αποτελούν χρήσιμη δοκιμή της ποιότητας της αρχικοποίησης και των παρατηρήσεων, ενώ στην ανακοίνωση αναφέρεται ότι τα δεδομένα διατίθενται κατόπιν αιτήματος. Περιγράφεται εργασία αξιολόγησης των τροχιών τυφώνων, των προσεγγίσεων ατμοσφαιρικών ποταμών στις ακτές και των εκδηλώσεων ακραίων καιρικών φαινομένων, χωρίς να τεκμηριώνεται αντίστοιχο κέρδος στον χρόνο προειδοποίησης για τη θερμοκρασία για αυτά τα φαινόμενα.

Το ευρύτερο συμπέρασμα είναι ότι η τεχνητή νοημοσύνη για την πρόγνωση του καιρού εξελίσσεται σε όλη την αλυσίδα πρόγνωσης: από τις παρατηρήσεις και την αφομοίωση δεδομένων έως την πρόβλεψη και την αξιολόγηση. Οι δοκιμές της Tomorrow.io δείχνουν πώς η εξέταση των δεδομένων εισόδου μπορεί να αποκαλύψει βελτιώσεις που θα περνούσαν απαρατήρητες αν συγκρίνονταν μόνο οι αρχιτεκτονικές πρόγνωσης. Για τους χρήστες, το ουσιαστικό αποτέλεσμα θα είναι αξιόπιστες βελτιώσεις στις μεταβλητές, τις περιοχές και τα χρονικά περιθώρια λήψης αποφάσεων που έχουν σημασία για τις δραστηριότητές τους.

Ο Silas Venn είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στη Unite.AI, καλύπτοντας την τεχνητή νοημοσύνη στο σημείο τομής της βιωσιμότητας, της κλιματικής επιστήμης και της περιβαλλοντικής καινοτομίας. Το έργο του εξετάζει πώς τα συστήματα AI χρησιμοποιούνται για την βελτίωση της ενεργειακής αποδοτικότητας, τη βελτίωση της κλιματικής μοντελοποίησης και την υποστήριξη της μετάβασης σε πιο βιώσιμες υποδομές και βιομηχανίες.
Με μια προοδευτική και περιβαλλοντικά εδραιωμένη προοπτική, ο Silas εξετάζει εφαρμογές που εκτείνονται από έξυπνα δίκτυα και προβλέψεις ενέργειας μέχρι ανάλυση κινδύνων κλίματος, μέτρηση άνθρακα και βελτιστοποίηση πόρων. Εστιάζει στις πρακτικές αναπτύξεις όπου το AI συνεισφέρει μετρήσιμα περιβαλλοντικά οφέλη, ενώ επίσης αντιμετωπίζει τους περιορισμούς, τους συμβιβασμούς και τις μακροπρόθεσμες επιπτώσεις της κλιμάκωσης αυτών των τεχνολογιών με ευθύνη.
Τα άρθρα που γράφονται από τον Silas Venn δημιουργούνται από την τεχνητή νοημοσύνη και αναθεωρούνται από την συντακτική ομάδα της Unite.AI για να διασφαλιστεί η ακρίβεια, η ισορροπία και η υπεύθυνη κάλυψη του ρόλου του AI στη βιωσιμότητα και την κλιματική τεχνολογία.