Raporty

Badania Tomorrow.io pokazują, że lepsze dane początkowe mogą poprawić prognozy pogody tworzone przez AI

Silas Venn
Dodaj Unite.AI do preferowanych źródeł w Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Kluczowe punktyLepsze początkowe dane atmosferyczne poprawiły prognozy Aurora bez zmiany samego modelu.
Zobacz więcej
  • Lepsze początkowe dane atmosferyczne poprawiły prognozy Aurora bez zmiany samego modelu.
  • Zysk jednodniowy porównuje inicjalizację Sky 1 z surowym GFS, a nie izoluje obserwacji satelitarnych.
  • Postęp AI pogodowej zależy od pełnego łańcucha asymilacji obserwacji, predykcji i oceny.

Tomorrow.io wskazuje, że prognozy pogody tworzone przez AI można poprawić, zanim model prognostyczny w ogóle zacznie działać. Z najnowszych badań firmy wynika, że dokładniejsze oszacowanie aktualnego stanu atmosfery może poprawić prognozy generowane przez Aurora 1.5 firmy Microsoft i WeatherNext 2 firmy Google DeepMind — bez wprowadzania zmian w tych modelach.

W ogłoszeniu z 17 listopada firma przedstawiła Sky 1 — system asymilacji danych oparty na uczeniu maszynowym, który co godzinę aktualizuje warunki początkowe, wykorzystując obserwacje z konstelacji 15 sond mikrofalowych. Instrumenty te dostarczają informacji o temperaturze i wilgotności, także przez chmury oraz na obszarach, z których dociera niewiele obserwacji.

Wyniki wskazują, że na równi z architekturą modelu warto zwrócić uwagę na systemy obserwacyjne oraz oprogramowanie przygotowujące dane wejściowe modelu. Badanie obejmuje też dwa odrębne porównania: wkład obserwacji satelitarnych oraz szersze korzyści wynikające z użycia Sky 1 do wyznaczania warunków początkowych dla Aurora.

Dlaczego początkowy stan atmosfery ma znaczenie

Model pogodowy potrzebuje stanu początkowego: trójwymiarowego oszacowania takich warunków jak temperatura, wilgotność i wiatr. Obserwacje pochodzą z różnych miejsc, wysokości i momentów. Asymilacja danych łączy pomiary z istniejącym oszacowaniem stanu atmosfery, aby wyznaczyć spójny punkt wyjścia.

Wyjaśnienie ECMWF dotyczące ERA5 opisuje połączenie modeli i obserwacji. ERA5 odtwarza minione warunki pogodowe w postaci spójnego globalnego zbioru danych, dzięki czemu może służyć jako punkt odniesienia przy ocenie prognoz. Jest to jednak rekonstrukcja atmosfery, oparta na własnych danych z modelowania i obserwacji.

Szybkie wnioskowanie wpływa na to, jak szybko model może obliczyć dalszy rozwój sytuacji. Lepsze wyznaczenie warunków początkowych pozwala dokładniej określić, co dzieje się w danej chwili. Nawet zaawansowany model może przenosić niedokładne oszacowanie początkowe na kolejne prognozy.

Co wykazało porównanie danych satelitarnych

Tomorrow.io informuje, że uwzględnienie jej obserwacji zmniejszyło błąd oszacowania pary wodnej w stanie początkowym o około 5–8% w 28 przypadkach, w porównaniu z ERA5. W ocenie prognoz 112 prognoz Aurora 1.5 uwzględniających te obserwacje miało niższy średni błąd temperatury przy powierzchni na każdym badanym terminie prognozy do pięciu dni włącznie. Firma określa poprawę jako niewielką i największą w ciągu pierwszych dwóch dni.

W opublikowanej metodologii firma opisuje wykorzystanie par stanów początkowych: Sky 1 przygotowuje jeden z nich na podstawie obserwacji z konstelacji, a drugi — bez ich uwzględnienia. Ten sam model prognostyczny działa na podstawie każdego z tych stanów, co pozwala ocenić wpływ dodatkowych danych.

W porównaniu wykorzystano dane z około 17 700 stacji meteorologicznych. WeatherNext 2 również przetestowano, używając par stanów początkowych.

Co naprawdę oznacza wynik „dodatkowego dnia”

Zysk wynoszący w przybliżeniu jeden dzień wyprzedzenia prognozy pochodzi z odrębnego porównania Aurora z warunkami początkowymi wyznaczonymi przez Sky 1 i Aurora uruchomionego bezpośrednio na danych z Global Forecast System (GFS). Tomorrow.io informuje, że przebieg oparty na surowych danych GFS osiągnął poziom błędu pięciodniowej prognozy Sky 1 około 24,9 godziny wcześniej, gdy wyniki porównano z ERA5. W porównaniu z danymi ze stacji meteorologicznych równoważny zysk wyniósł około 10 godzin.

Firma wyraźnie przypisuje ten wynik ogólnemu działaniu Sky 1, a nie samej konstelacji satelitarnej. Twierdzi, że część poprawy wynika z dostarczenia modelowi Aurora stanu początkowego podobnego do tych, z którymi model zetknął się podczas treningu.

To rozróżnienie ma zasadnicze znaczenie dla interpretacji badań. Wynik odpowiadający jednemu dniowi mierzy skuteczność przy określonym progu błędu temperatury i względem określonego punktu odniesienia. Nie dowodzi, że każdą zmienną prognostyczną, region lub ekstremalne zjawisko da się przewidzieć o cały dzień wcześniej.

Technologia stojąca za nowymi obserwacjami

W dokumentacji sond mikrofalowych Tomorrow.io opisuje radiometry pasywne, które dostarczają profile temperatury atmosfery i zawartości pary wodnej. Firma wymienia ponad 12 kanałów obejmujących zakres 91–204 GHz oraz skanowanie poprzeczne pasa o szerokości około 2200 kilometrów.

Instrumenty te dostarczają pomiarów na potrzeby analizy atmosfery; nie generują bezpośrednio gotowej prognozy. Wartość obserwacji zależy od jej kalibracji, zasięgu, czasu wykonania oraz sposobu, w jaki uwzględnia ją system asymilacji. To właśnie łączy sprzęt kosmiczny z potokiem danych wejściowych wykorzystywanym przez modele prognostyczne AI.

Rola Aurora i WeatherNext

Według Microsoftu Aurora 1.5 jest rozwinięciem jego modelu bazowego systemu Ziemi. Wersja ta wprowadza rozdzielczość czasową wynoszącą godzinę, więcej zmiennych prognostycznych oraz probabilistyczne prognozowanie zespołowe. Zespół prognoz przedstawia wiele możliwych scenariuszy na przyszłość, pomagając użytkownikom ocenić niepewność.

WeatherNext 2 wykorzystuje architekturę Functional Generative Network do tworzenia globalnych prognoz zespołowych. W dokumentacji Google podano siatkę o rozdzielczości 0,25 stopnia, 64 elementy zespołu oraz horyzont prognozy wynoszący 15 dni. Opisana przez Tomorrow.io ocena obejmuje horyzont pięciodniowy.

Google wprowadziło od tego czasu WeatherNext 3, który uwzględnia bieżące obserwacje satelitarne i generuje prognozy godzinowe. Omawiane tu wyniki Tomorrow.io dotyczą WeatherNext 2; nie dowodzą poprawy działania nowszego modelu Google.

Szerszy kierunek rozwoju sztucznej inteligencji w prognozowaniu pogody

Są to retrospektywne oceny przedstawione przez firmę. Stanowią przydatny test jakości inicjalizacji i obserwacji, a w komunikacie podano, że dane są dostępne na życzenie. Opisano w nim prace nad oceną torów huraganów, miejsc, w których rzeki atmosferyczne docierają do lądu, oraz gwałtownych zjawisk pogodowych, nie wykazując jednak, że w przypadku tych zdarzeń uzyskano taki sam wzrost wyprzedzenia czasowego prognoz temperatury.

Szerszy wniosek jest taki, że sztuczna inteligencja w prognozowaniu pogody rozwija się na każdym etapie całego procesu: od obserwacji i asymilacji danych po prognozowanie i ocenę wyników. Testy Tomorrow.io pokazują, że analiza danych wejściowych może ujawnić korzyści, których nie dostrzegłoby samo porównanie architektur prognostycznych. Dla użytkowników istotne będą wiarygodne ulepszenia dotyczące zmiennych, lokalizacji i horyzontów decyzyjnych ważnych dla ich działalności.

Silas Venn jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się sztuczną inteligencją na styku zrównoważonego rozwoju, nauki klimatu i innowacji środowiskowych. Jego praca koncentruje się na tym, jak systemy sztucznej inteligencji są wykorzystywane do optymalizacji efektywności energetycznej, poprawy modelowania klimatu oraz wspierania przejścia w kierunku bardziej zrównoważonej infrastruktury i przemysłu.
Z myślą o przyszłości i środowisku, Silas bada aplikacje od inteligentnych sieci i prognozowania energii do analizy ryzyka klimatycznego, pomiaru węgla i optymalizacji zasobów. Koncentruje się na praktycznych wdrożeniach, w których sztuczna inteligencja przynosi wymierne korzyści dla środowiska, a także rozważa ograniczenia, kompromisy i długoterminowe implikacje odpowiedzialnego skalowania tych technologii.
Artykuły autorstwa Silasa Venna są generowane przez sztuczną inteligencję i sprawdzane przez zespół redakcyjny Unite.AI w celu zapewnienia dokładności, równowagi i odpowiedzialnego podejścia do roli sztucznej inteligencji w zrównoważonym rozwoju i technologiach klimatycznych.