Raportit
Tomorrow.io:n tutkimus osoittaa, että paremmat lähtötiedot voivat parantaa tekoälyn sääennusteita

Keskeiset kohdatParemmat alkuperäiset ilmakehätiedot paransivat Auroran ennusteita muuttamatta itse…
Näytä lisää
- Paremmat alkuperäiset ilmakehätiedot paransivat Auroran ennusteita muuttamatta itse mallia.
- Yhden päivän parannus vertaa Sky 1 -initialisointia raakaan GFS:ään sen sijaan, että eristäisi satelliittihavainnot.
- Säätekoälyn edistyminen riippuu koko havaintojen, assimilaation, ennustamisen ja arvioinnin putkesta.
Tomorrow.io pyrkii osoittamaan, että tekoälyn sääennusteita voidaan parantaa jo ennen kuin ennustemallia edes ajetaan. Yhtiön tuoreimman tutkimuksen mukaan nykyistä ilmakehän tilaa koskevat paremmat arviot voivat parantaa Microsoftin Aurora 1.5:n ja Google DeepMindin WeatherNext 2:n ennusteita muuttamatta itse ennustemalleja.
Yhtiön 17. marraskuuta julkaisemassa tiedotteessa esitellään Sky 1, koneoppimiseen perustuva data-assimilaatiojärjestelmä, joka päivittää alkutiloja tunneittain käyttämällä sen 15 mikroaaltoluotaimen satelliittikonstellaatiosta saatuja havaintoja. Laitteet tuovat lämpötilaa ja kosteutta koskevaa tietoa myös pilvien läpi ja harvaan havaittujen alueiden yltä.
Tulokset viittaavat siihen, että havaintojärjestelmät ja ohjelmistot, jotka valmistelevat mallin syötteet, ansaitsevat huomiota mallin arkkitehtuurin rinnalla. Tuloksiin liittyy myös kaksi erillistä vertailua: satelliittihavaintojen vaikutus ja Sky 1:n käytöstä Auroran alkutilan määrityksessä koituva laajempi hyöty.
Miksi ilmakehän alkutilalla on väliä
Säämalli tarvitsee alkutilan eli kolmiulotteisen arvion olosuhteista, kuten lämpötilasta, kosteudesta ja tuulesta. Havaintoja saadaan eri paikoista, korkeuksilta ja ajankohdilta. Data-assimilaatiossa mittaukset yhdistetään ilmakehää koskevaan olemassa olevaan arvioon, jotta saadaan muodostettua yhtenäinen lähtötilanne.
ECMWF:n selitys ERA5-aineistosta kuvaa mallien ja havaintojen yhdistämistä. ERA5 rekonstruoi menneen sään yhtenäiseksi maailmanlaajuiseksi tietoaineistoksi, joten se soveltuu vertailuaineistoksi ennusteiden arviointiin. Se on kuitenkin edelleen ilmakehän rekonstruktio, jolla on omat mallinnukseen ja havaintoihin perustuvat lähtötietonsa.
Nopea päättely kertoo siitä, kuinka nopeasti malli pystyy laskemaan, mitä seuraavaksi tapahtuu. Parempi alustaminen puolestaan kertoo siitä, kuinka hyvin malli tuntee nykytilanteen. Tehokaskin malli voi välittää epätarkan lähtöarvion eteenpäin ennusteisiinsa.
Mitä satelliittivertailussa havaittiin
Tomorrow.io kertoo, että sen havaintojen lisääminen pienensi alkutilan vesihöyryvirhettä noin 5–8 prosenttia 28 tapauksessa, kun vertailukohtana käytettiin ERA5-aineistoa. Ennusteita arvioitaessa 112 Aurora 1.5 -ennusteessa keskimääräinen pintakerroksen lämpötilavirhe oli pienempi jokaisella arvioidulla ennusteen pituudella aina viiteen päivään asti, kun havainnot olivat mukana. Yhtiön mukaan parannukset ovat maltillisia ja suurimmillaan kahden ensimmäisen päivän aikana.
Yhtiön julkaisemissa menetelmissä käytetään rinnakkaisia alkutiloja: Sky 1 muodostaa yhden käyttäen satelliittikonstellaation havaintoja ja toisen ilman niitä. Kummastakin alkutilasta ajetaan sama ennustemalli, jolloin arvioinnissa voidaan erottaa lisätyn datan vaikutus.
Sääasemavertailussa käytettiin noin 17 700 sääasemaa. WeatherNext 2:ta testattiin myös käyttäen rinnakkaisia alkutiloja.
Mitä ”ylimääräisen päivän” tulos oikeastaan tarkoittaa
Noin vuorokauden ennustepituuden lisäys perustuu erilliseen vertailuun, jossa Aurora alustettiin joko Sky 1:llä tai suoraan Global Forecast System (GFS) -datalla. Tomorrow.io kertoo, että GFS:n raakadataan perustuva ajo saavutti viiden päivän Sky 1 -ennusteen virhetason noin 24,9 tuntia aiemmin, kun tuloksia verrattiin ERA5-aineistoon. Sääasemiin verrattuna vastaava lisäys oli noin 10 tuntia.
Yhtiö liittää tämän tuloksen nimenomaisesti Sky 1 -järjestelmään kokonaisuutena, ei pelkästään satelliittikonstellaatioon. Sen mukaan osa parannuksesta johtuu siitä, että Auroralle annetaan alkutila, joka muistuttaa sitä tyyppiä, jota se kohtasi koulutuksen aikana.
Tämä ero on keskeinen tutkimuksen tulkinnan kannalta. Päivän vastaavaksi ilmoitettu tulos mittaa suorituskykyä tietyn lämpötilavirheen raja-arvon ja vertailukohdan perusteella. Se ei osoita, että jokainen ennustettava muuttuja, alue tai äärimmäinen sääilmiö olisi ennustettavissa kokonaisen päivän aiemmin.
Uusien havaintojen taustalla oleva teknologia
Tomorrow.io:n mikroaaltoluotainten dokumentaatiossa kuvataan passiivisia radiometrejä, jotka tuottavat ilmakehän lämpötilan ja vesihöyryn pystyprofiileja. Yhtiön mukaan laitteissa on yli 12 kanavaa 91–204 GHz:n alueella, ja ne pyyhkäisevät poikittain noin 2 200 kilometrin levyistä kaistaa.
Nämä laitteet tuottavat mittauksia ilmakehän analyysia varten; ne eivät suoraan anna valmista ennustetta. Havainnon arvo riippuu sen kalibroinnista, kattavuudesta ja ajoituksesta sekä siitä, miten assimilaatiojärjestelmä hyödyntää sitä. Näin avaruusteknologia kytkeytyy tekoälypohjaisten ennustemallien käyttämään syöteputkeen.
Auroran ja WeatherNextin rooli
Microsoft kuvaa Aurora 1.5:tä maapallon järjestelmiä mallintavan perusmallinsa laajennukseksi, joka tuo siihen tuntitason ajallisen tarkkuuden, lisää ennustettavia muuttujia ja mahdollistaa todennäköisyyksiin perustuvan parviennustamisen. Parvi kuvaa useita mahdollisia tulevia kehityskulkuja ja auttaa käyttäjiä arvioimaan epävarmuutta.
WeatherNext 2 käyttää maailmanlaajuiseen parviennustamiseen Functional Generative Network -arkkitehtuuria. Googlen dokumentaation mukaan mallin hilaväli on 0,25 astetta, ennusteparvessa on 64 jäsentä ja ennustejakso ulottuu 15 päivään. Tomorrow.io:n raportoima arviointi kattaa viiden päivän ennustejakson.
Google on sittemmin esitellyt WeatherNext 3:n, joka hyödyntää reaaliaikaisia satelliittihavaintoja ja tuottaa tuntiennusteita. Tässä käsitellyt Tomorrow.io-tulokset koskevat WeatherNext 2:ta, eivätkä ne osoita Googlen uudemman mallin parantuneen.
Sääennusteiden tekoälyn laajempi kehityssuunta
Kyseessä ovat yrityksen raportoimat jälkikäteisarvioinnit. Ne tarjoavat hyödyllisen tavan arvioida alustuksen ja havaintojen laatua, ja tiedotteessa kerrotaan, että aineisto on saatavilla pyynnöstä. Siinä kuvataan hurrikaanien reittien, ilmakehän jokien rantautumisten ja ankarien sääilmiöiden arviointia, mutta ei osoiteta, että vastaava lämpötilaennusteen ennakointiajan parannus koskisi näitä tapahtumia.
Laajempi opetus on, että sääennusteiden tekoäly kehittyy koko ennusteketjun kautta: havaintojen, havaintojen assimilaation, ennustamisen ja arvioinnin. Tomorrow.io:n testit osoittavat, miten syötteiden tarkastelu voi paljastaa parannuksia, joita pelkkä ennustearkkitehtuurien vertailu ei toisi esiin. Käyttäjille merkityksellistä on, että parannukset ovat luotettavia ja koskevat niitä muuttujia, alueita ja päätöksenteon aikajänteitä, joilla on merkitystä heidän toiminnalleen.












