Rapporter
Forskning fra Tomorrow.io viser at bedre startdata kan forbedre AI-værvarsler

Viktige punkterBedre innledende atmosfæriske data forbedret Aurora-varsler uten å endre selve modellen.
Vis mer
- Bedre innledende atmosfæriske data forbedret Aurora-varsler uten å endre selve modellen.
- Ettdagsgevinsten sammenligner Sky 1-initialisering mot rå GFS i stedet for å isolere satellittobservasjoner.
- Fremgang innen vær-AI avhenger av hele prosessen med observasjoner, assimilering, prediksjon og evaluering.
Tomorrow.io argumenterer for at AI-værvarsler kan forbedres før selve værmodellen begynner å kjøre. Den nyeste forskningen deres viser at bedre anslag for atmosfærens nåværende tilstand kan forbedre prognosene fra Microsofts Aurora 1.5 og Google DeepMinds WeatherNext 2, uten at værmodellene endres.
I selskapets kunngjøring 17. november presenteres Sky 1, et maskinlæringsbasert system for dataassimilering som oppdaterer startbetingelsene hver time ved hjelp av observasjoner fra konstellasjonen med 15 mikrobølgesonder. Instrumentene tilfører informasjon om temperatur og fuktighet, også gjennom skyer og i områder med få observasjoner.
Resultatene tyder på at observasjonssystemer og programvaren som klargjør dataene modellen bruker som input, fortjener like mye oppmerksomhet som modellarkitekturen. De omfatter også to ulike sammenligninger: bidraget fra satellittobservasjonene og den bredere gevinsten ved å bruke Sky 1 til å initialisere Aurora.
Derfor er atmosfærens starttilstand viktig
En værmodell trenger en starttilstand: et tredimensjonalt anslag for forhold som temperatur, luftfuktighet og vind. Observasjonene kommer fra ulike steder, høyder og tidspunkter. Dataassimilering kombinerer målinger med et eksisterende anslag for atmosfæren for å lage et sammenhengende utgangspunkt.
ECMWFs forklaring av ERA5 beskriver denne kombinasjonen av modeller og observasjoner. ERA5 rekonstruerer tidligere værforhold i et konsistent globalt datasett, noe som gjør det nyttig som referanse når prognoser skal evalueres. Det er fortsatt en rekonstruksjon av atmosfæren, basert på egne modell- og observasjonsdata.
Rask inferens handler om hvor raskt en modell kan beregne hva som skjer videre. Bedre initialisering handler om hvor godt modellen kjenner forholdene akkurat nå. En kraftig modell kan fortsatt videreføre et unøyaktig startanslag i prognosene sine.
Dette viste sammenligningen av satellittobservasjonene
Tomorrow.io oppgir at tilførselen av observasjonene deres reduserte feilen i starttilstandens vanndamp med omtrent 5–8 % i 28 tilfeller, målt mot ERA5. I evalueringen av prognosene hadde 112 Aurora 1.5-prognoser lavere gjennomsnittlig feil i temperaturen nær bakken ved hvert evaluert prognosetidspunkt opptil fem dager når observasjonene var inkludert. Selskapet beskriver gevinstene som beskjedne og størst de første to dagene.
I selskapets publiserte metoder brukes parvise starttilstander: Sky 1 lager én med observasjoner fra satellittkonstellasjonen og én uten disse observasjonene. Den samme værmodellen kjøres fra hver av starttilstandene, slik at evalueringen kan isolere effekten av de ekstra dataene.
Sammenligningen med målestasjoner omfattet omtrent 17 700 værstasjoner. WeatherNext 2 ble også testet med de parvise starttilstandene.
Hva resultatet med «en ekstra dag» faktisk betyr
Gevinsten på omtrent én dag i prognosetid kommer fra en separat sammenligning av Aurora initialisert med Sky 1 og Aurora initialisert direkte med data fra Global Forecast System (GFS). Tomorrow.io oppgir at kjøringen med rå GFS-data nådde samme feilmål som femdagersprognosen fra Sky 1 omtrent 24,9 timer tidligere, målt mot ERA5. Sammenlignet med værstasjoner var den tilsvarende gevinsten omtrent 10 timer.
Selskapet tilskriver uttrykkelig dette resultatet til Sky 1 som helhet, ikke bare satellittkonstellasjonen. Det oppgir at en del av forbedringen skyldes at Aurora får en starttilstand som ligner på den typen modellen møtte under treningen.
Dette skillet er avgjørende for å tolke forskningen. Resultatet uttrykt som en gevinst på én dag måler ytelsen ved en bestemt terskel for temperaturfeil og mot en bestemt referanse. Det viser ikke at alle prognosevariabler, regioner eller ekstreme værhendelser blir forutsigbare en hel dag tidligere.
Teknologien bak de nye observasjonene
Tomorrow.io beskriver i sin dokumentasjon om mikrobølgesonder passive radiometre som gir profiler av atmosfærens temperatur og vanndamp. Selskapet oppgir at instrumentene har mer enn 12 kanaler som dekker 91–204 GHz, og skanner på tvers av satellittbanen over en stripe på omtrent 2 200 kilometer.
Disse instrumentene leverer målinger til en atmosfæreanalyse; de produserer ikke ferdige prognoser direkte. Hvor nyttig en observasjon er, avhenger av kalibreringen, dekningen, tidspunktet og hvordan assimileringssystemet innarbeider den. Slik knyttes utstyret i rommet til inndataprosessen som brukes av AI-værmodeller.
Aurora og WeatherNext i sammenheng
Microsoft beskriver Aurora 1.5 som en videreutvikling av selskapets grunnmodell for jordsystemet, med timeoppløsning, flere prognosevariabler og sannsynlighetsbasert ensembleprognostisering. Et ensemble viser flere mulige utfall, slik at brukerne kan vurdere usikkerheten.
WeatherNext 2 bruker en arkitektur av typen Functional Generative Network til globale ensembleprognoser. I Googles dokumentasjon oppgis et rutenett på 0,25 grader, 64 medlemmer i ensemblet og en prognosehorisont på 15 dager. Evalueringen Tomorrow.io har rapportert, dekker en prognosehorisont på fem dager.
Google har siden lansert WeatherNext 3, som innlemmer sanntidsobservasjoner fra satellitter og lager timevarsler. Resultatene fra Tomorrow.io som omtales her, gjelder WeatherNext 2; de dokumenterer ikke en forbedring av Googles nyere modell.
En bredere retning for KI i værvarsling
Dette er retrospektive evalueringer rapportert av selskapet. De gir en nyttig test av kvaliteten på initialiseringen og observasjonene, samtidig som pressemeldingen opplyser at data er tilgjengelige på forespørsel. Den beskriver arbeid med å evaluere orkanbaner, når atmosfæriske elver treffer land, og utbrudd av ekstremvær, uten å påvise den samme økningen i hvor lang tid i forveien temperaturen kan varsles for disse hendelsene.
Den bredere lærdommen er at KI for værvarsling utvikles gjennom hele prognoseprosessen: observasjoner, dataassimilering, prediksjon og evaluering. Testene til Tomorrow.io viser hvordan en undersøkelse av inndataene kan avdekke forbedringer som ikke ville blitt fanget opp ved bare å sammenligne prognosearkitekturer. For brukerne vil det viktigste være pålitelige forbedringer i variablene, områdene og beslutningsvinduene som betyr noe for virksomheten deres.












