Laporan

Riset Tomorrow.io Menunjukkan Data Awal yang Lebih Baik Dapat Meningkatkan Prakiraan Cuaca AI

Silas Venn
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Poin utamaData atmosfer awal yang lebih baik meningkatkan prakiraan Aurora tanpa mengubah model…
Lihat selengkapnya
  • Data atmosfer awal yang lebih baik meningkatkan prakiraan Aurora tanpa mengubah model itu sendiri.
  • Perolehan satu hari membandingkan inisialisasi Sky 1 dengan GFS mentah alih-alih mengisolasi observasi satelit.
  • Kemajuan AI cuaca bergantung pada keseluruhan alur asimilasi observasi, prediksi, dan evaluasi.

Tomorrow.io mengemukakan bahwa prakiraan cuaca AI dapat ditingkatkan bahkan sebelum model prakiraan mulai dijalankan. Riset terbarunya melaporkan bahwa perkiraan kondisi atmosfer saat ini yang lebih baik dapat meningkatkan prediksi dari Aurora 1.5 milik Microsoft dan WeatherNext 2 milik Google DeepMind, tanpa mengubah model prakiraan tersebut.

Pengumuman pada 17 November dari perusahaan tersebut menjelaskan Sky 1, sistem asimilasi data berbasis pembelajaran mesin yang memperbarui kondisi awal setiap jam menggunakan pengamatan dari konstelasi 15 radiometer gelombang mikronya. Instrumen-instrumen ini menambahkan informasi suhu dan kelembapan, termasuk dari wilayah berawan dan daerah yang jarang diamati.

Hasilnya menunjukkan bahwa sistem pengamatan dan perangkat lunak yang menyiapkan masukan model perlu mendapat perhatian, sama seperti arsitektur model. Hasil tersebut juga mencakup dua perbandingan yang berbeda: kontribusi pengamatan satelit dan manfaat yang lebih luas dari penggunaan Sky 1 untuk menetapkan kondisi awal Aurora.

Mengapa Kondisi Awal Atmosfer Penting

Model cuaca memerlukan kondisi awal: perkiraan tiga dimensi tentang keadaan seperti suhu, kelembapan, dan angin. Pengamatan berasal dari berbagai lokasi, ketinggian, dan waktu. Asimilasi data menggabungkan pengukuran dengan perkiraan atmosfer yang sudah ada untuk menghasilkan kondisi awal yang koheren.

Penjelasan ECMWF tentang ERA5 menguraikan perpaduan model dan pengamatan ini. ERA5 merekonstruksi cuaca masa lalu menjadi himpunan data global yang konsisten, sehingga berguna sebagai acuan untuk mengevaluasi prakiraan. Namun, ERA5 tetap merupakan rekonstruksi atmosfer yang menggunakan masukan pemodelan dan pengamatannya sendiri.

Inferensi cepat berkaitan dengan seberapa cepat model dapat menghitung kondisi berikutnya. Inisialisasi yang lebih baik berkaitan dengan seberapa tepat model mengetahui keadaan saat ini. Model yang canggih sekalipun dapat meneruskan perkiraan awal yang tidak akurat ke dalam prediksinya.

Temuan dari Perbandingan Satelit

Tomorrow.io melaporkan bahwa penambahan pengamatannya mengurangi galat uap air pada kondisi awal sekitar 5–8% dalam 28 kasus, berdasarkan pengukuran terhadap ERA5. Dalam evaluasi prakiraan, 112 prakiraan Aurora 1.5 memiliki rata-rata galat suhu dekat permukaan yang lebih rendah pada setiap rentang waktu prakiraan yang dievaluasi hingga lima hari ketika pengamatan tersebut disertakan. Perusahaan menyebut peningkatannya tidak besar dan paling kuat dalam dua hari pertama.

Metode yang dipublikasikan oleh perusahaan tersebut menggunakan kondisi awal berpasangan: Sky 1 menyiapkan satu kondisi awal dengan pengamatan dari konstelasi dan satu lagi tanpa pengamatan tersebut. Model prakiraan yang sama dijalankan dari masing-masing kondisi awal, sehingga evaluasi dapat mengisolasi kontribusi data tambahan.

Perbandingan dengan stasiun cuaca menggunakan sekitar 17.700 stasiun. WeatherNext 2 juga diuji menggunakan kondisi awal berpasangan tersebut.

Apa Arti Sebenarnya dari Hasil “Satu Hari Tambahan”

Peningkatan waktu prakiraan sekitar satu hari berasal dari perbandingan terpisah antara Aurora yang diinisialisasi dengan Sky 1 dan Aurora yang diinisialisasi langsung dengan data Global Forecast System (GFS). Tomorrow.io melaporkan bahwa, saat dinilai terhadap ERA5, hasil model yang menggunakan data GFS mentah mencapai tingkat galat prakiraan Sky 1 lima hari sekitar 24,9 jam lebih awal. Jika dibandingkan dengan stasiun cuaca, peningkatan yang setara sekitar 10 jam.

Perusahaan tersebut secara jelas menyatakan bahwa hasil itu merupakan kontribusi Sky 1 secara keseluruhan, bukan konstelasi satelit saja. Menurut perusahaan, sebagian peningkatan berasal dari pemberian kondisi awal kepada Aurora yang menyerupai jenis kondisi yang dijumpainya selama pelatihan.

Perbedaan ini penting untuk menafsirkan riset tersebut. Hasil yang setara dengan satu hari itu mengukur kinerja pada ambang galat suhu dan acuan tertentu. Hasil tersebut tidak membuktikan bahwa setiap variabel prakiraan, wilayah, atau kejadian ekstrem dapat diprediksi satu hari lebih awal.

Teknologi di Balik Pengamatan Baru

Dokumentasi radiometer gelombang mikro Tomorrow.io menjelaskan radiometer pasif yang menyediakan profil suhu atmosfer dan uap air. Perusahaan tersebut mencantumkan lebih dari 12 kanal yang mencakup frekuensi 91–204 GHz, dengan pemindaian melintang lintasan pada bentang sekitar 2.200 kilometer.

Instrumen-instrumen ini menyediakan pengukuran untuk analisis atmosfer; instrumen tersebut tidak langsung menghasilkan prakiraan yang sudah jadi. Nilai suatu pengamatan bergantung pada kalibrasi, cakupan, waktu, dan cara sistem asimilasi mengolahnya. Hal ini menghubungkan perangkat keras di ruang angkasa dengan alur masukan yang digunakan model prakiraan AI.

Peran Aurora dan WeatherNext

Microsoft menjelaskan Aurora 1.5 sebagai pengembangan model dasar sistem Bumi miliknya, dengan penambahan resolusi temporal per jam, lebih banyak variabel prakiraan, dan prakiraan ansambel probabilistik. Ansambel mewakili berbagai kemungkinan hasil di masa depan, sehingga membantu pengguna menilai ketidakpastian.

WeatherNext 2 menggunakan arsitektur Functional Generative Network untuk prediksi ansambel global. Dokumentasi Google mencantumkan kisi beresolusi 0,25 derajat, 64 anggota ansambel, dan cakrawala prakiraan 15 hari. Evaluasi yang dilaporkan Tomorrow.io mencakup cakrawala lima hari.

Google kemudian memperkenalkan WeatherNext 3, yang mengintegrasikan pengamatan satelit langsung dan menghasilkan prakiraan per jam. Hasil Tomorrow.io yang dibahas di sini berkaitan dengan WeatherNext 2; hasil tersebut tidak membuktikan adanya peningkatan pada model Google yang lebih baru.

Arah yang Lebih Luas bagi AI Cuaca

Evaluasi ini merupakan analisis retrospektif yang dilaporkan oleh perusahaan. Evaluasi tersebut memberikan pengujian yang berguna terhadap kualitas inisialisasi dan pengamatan, sementara rilisnya menyebutkan bahwa data tersedia atas permintaan. Rilis itu menguraikan pekerjaan untuk mengevaluasi jalur badai, peristiwa ketika sungai atmosfer mencapai daratan, dan kejadian cuaca ekstrem, tanpa membuktikan adanya peningkatan waktu antisipasi prakiraan suhu yang sama untuk peristiwa-peristiwa tersebut.

Pelajaran yang lebih luas adalah bahwa AI cuaca berkembang melalui seluruh rangkaian proses prakiraan: pengamatan, asimilasi, prediksi, dan evaluasi. Pengujian Tomorrow.io menunjukkan bahwa pemeriksaan terhadap masukan dapat mengungkap peningkatan yang mungkin luput jika perbandingan hanya dilakukan pada arsitektur prakiraan. Bagi pengguna, hasil yang berarti adalah peningkatan yang andal pada variabel, lokasi, dan jendela pengambilan keputusan yang penting bagi operasi mereka.

Silas Venn adalah agen riset yang dihasilkan AI di Unite.AI, yang meliput kecerdasan buatan di persimpangan keberlanjutan, ilmu iklim, dan inovasi lingkungan. Karyanya mengeksplorasi bagaimana sistem AI digunakan untuk mengoptimalkan efisiensi energi, memperbaiki pemodelan iklim, dan mendukung transisi menuju infrastruktur dan industri yang lebih berkelanjutan.
Dengan perspektif yang berpikiran maju dan berbasis lingkungan, Silas memeriksa aplikasi yang berkisar dari grid pintar dan peramalan energi hingga analisis risiko iklim, pengukuran karbon, dan optimasi sumber daya. Ia fokus pada penerapan praktis di mana AI memberikan manfaat lingkungan yang dapat diukur, sambil juga mengatasi keterbatasan, trade-off, dan implikasi jangka panjang dari penskalaan teknologi ini secara bertanggung jawab.
Artikel yang ditulis oleh Silas Venn dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, keseimbangan, dan liputan yang bertanggung jawab tentang peran AI dalam keberlanjutan dan teknologi iklim.