Rapoarte
Cercetările Tomorrow.io arată că datele inițiale mai bune pot îmbunătăți prognozele meteorologice bazate pe IA

Puncte cheieDate atmosferice inițiale mai bune au îmbunătățit prognozele Aurora fără a modifica…
Vezi mai mult
- Date atmosferice inițiale mai bune au îmbunătățit prognozele Aurora fără a modifica modelul în sine.
- Câștigul de o zi compară inițializarea Sky 1 cu GFS brut, mai degrabă decât izolarea observațiilor satelitare.
- Progresul IA meteo depinde de întregul lanț de asimilare a observațiilor, predicție și evaluare.
Tomorrow.io susține că prognozele meteorologice bazate pe IA pot fi îmbunătățite înainte chiar ca modelul de prognoză să înceapă să ruleze. Cele mai recente cercetări ale companiei arată că estimările mai bune ale stării actuale a atmosferei pot îmbunătăți predicțiile realizate de Aurora 1.5 de la Microsoft și WeatherNext 2 de la Google DeepMind, fără a modifica aceste modele de prognoză.
Anunțul din 17 noiembrie al companiei prezintă Sky 1, un sistem de asimilare a datelor bazat pe învățare automată, care actualizează orar condițiile inițiale folosind observații de la constelația sa de 15 radiometre cu microunde. Instrumentele adaugă informații despre temperatură și umiditate, inclusiv prin nori și în regiuni cu puține observații.
Rezultatele sugerează că sistemele de observare și software-ul care pregătește datele de intrare ale unui model merită atenție, alături de arhitectura modelului. Studiul include și două comparații distincte: contribuția observațiilor satelitare și beneficiul mai amplu al folosirii Sky 1 pentru inițializarea modelului Aurora.
De ce contează starea inițială a atmosferei
Un model meteorologic are nevoie de o stare inițială: o estimare tridimensională a unor condiții precum temperatura, umiditatea și vântul. Observațiile provin din locuri, de la altitudini și din momente diferite. Asimilarea datelor combină măsurătorile cu o estimare existentă a atmosferei pentru a obține un punct de pornire coerent.
Explicația ECMWF privind ERA5 descrie această combinare a modelelor cu observațiile. ERA5 reconstruiește vremea din trecut într-un set de date global coerent, ceea ce îl face util ca reper pentru evaluarea prognozelor. Este în continuare o reconstrucție a atmosferei, bazată pe propriile intrări de modelare și observații.
Inferența rapidă ține de cât de repede poate un model să calculeze ce urmează. O inițializare mai bună ține de cât de bine știe modelul ce se întâmplă în prezent. Chiar și un model puternic poate propaga o estimare inițială inexactă în predicțiile sale.
Ce a arătat comparația cu datele satelitare
Tomorrow.io raportează că adăugarea observațiilor sale a redus cu aproximativ 5–8% eroarea privind vaporii de apă din starea inițială, în 28 de cazuri, măsurată în raport cu ERA5. În evaluarea prognozelor, 112 prognoze Aurora 1.5 au avut o eroare medie mai mică a temperaturii aproape de suprafață la fiecare termen de prognoză evaluat, până la cinci zile, atunci când au fost incluse observațiile. Compania descrie îmbunătățirile drept modeste și afirmă că acestea sunt cele mai pronunțate în primele două zile.
Metodele publicate de companie folosesc stări inițiale pereche: Sky 1 pregătește una folosind observațiile constelației, iar pe cealaltă fără aceste observații. Același model de prognoză rulează pornind de la fiecare dintre ele, ceea ce permite evaluării să izoleze contribuția datelor suplimentare.
Comparația cu stațiile meteorologice a folosit aproximativ 17.700 de stații. WeatherNext 2 a fost, de asemenea, testat folosind stările inițiale pereche.
Ce înseamnă, de fapt, rezultatul „unei zile în plus”
Câștigul de aproximativ o zi în termenul de prognoză provine dintr-o comparație separată între Aurora inițializat cu Sky 1 și Aurora inițializat direct cu datele Global Forecast System (GFS). Tomorrow.io raportează că rularea cu date GFS brute a atins nivelul de eroare al prognozei pe cinci zile realizate cu Sky 1 cu aproximativ 24,9 ore mai devreme, atunci când evaluarea s-a făcut în raport cu ERA5. În comparație cu stațiile meteorologice, câștigul echivalent a fost de aproximativ 10 ore.
Compania atribuie în mod explicit acest rezultat contribuției generale a Sky 1, nu doar constelației de sateliți. Potrivit companiei, o parte din îmbunătățire se datorează faptului că Aurora primește o stare inițială asemănătoare tipului de stare întâlnit în timpul antrenării.
Această distincție este esențială pentru interpretarea cercetării. Rezultatul echivalent cu o zi măsoară performanța la un anumit prag de eroare a temperaturii și în raport cu o anumită referință. Nu demonstrează că fiecare variabilă meteorologică, regiune sau fenomen extrem devine predictibil cu o zi întreagă mai devreme.
Tehnologia din spatele noilor observații
Documentația Tomorrow.io despre radiometrul cu microunde descrie radiometre pasive care furnizează profiluri ale temperaturii atmosferice și vaporilor de apă. Compania menționează peste 12 canale, cu frecvențe cuprinse între 91 și 204 GHz, și scanare transversală pe o fâșie de aproximativ 2.200 de kilometri.
Aceste instrumente furnizează măsurători pentru analiza atmosferei; ele nu generează direct o prognoză completă. Valoarea unei observații depinde de calibrarea, acoperirea și momentul acesteia, precum și de modul în care sistemul de asimilare o integrează. Astfel, echipamentele spațiale sunt conectate la fluxul de date de intrare folosit de modelele de prognoză bazate pe IA.
Cum se încadrează Aurora și WeatherNext
Microsoft descrie Aurora 1.5 drept o versiune extinsă a modelului său fundamental pentru sistemul terestru, care adaugă rezoluție temporală orară, mai multe variabile de prognoză și prognoze probabilistice de tip ansamblu. Un ansamblu reprezintă mai multe evoluții posibile ale vremii, ajutând utilizatorii să evalueze incertitudinea.
WeatherNext 2 folosește o arhitectură Functional Generative Network pentru predicții globale de tip ansamblu. Documentația Google menționează o grilă cu rezoluția de 0,25 grade, 64 de membri ai ansamblului și un orizont de prognoză de 15 zile. Evaluarea raportată de Tomorrow.io acoperă un orizont de cinci zile.
Între timp, Google a lansat WeatherNext 3, care integrează observații satelitare în timp real și generează prognoze orare. Rezultatele Tomorrow.io prezentate aici se referă la WeatherNext 2; ele nu demonstrează o îmbunătățire a modelului mai nou al Google.
O direcție mai amplă pentru inteligența artificială aplicată prognozelor meteorologice
Acestea sunt evaluări retrospective raportate de companie. Ele oferă un test util al calității inițializării și a observațiilor, în timp ce comunicatul precizează că datele sunt disponibile la cerere. Acesta descrie activități de evaluare a traiectoriilor uraganelor, a punctelor de impact ale râurilor atmosferice și a episoadelor de vreme severă, fără a demonstra pentru aceste fenomene același câștig în avansul temporal al prognozelor de temperatură.
Lecția mai amplă este că inteligența artificială aplicată prognozelor meteorologice avansează de-a lungul întregului proces de prognoză: observații, asimilare, predicție și evaluare. Testele Tomorrow.io arată cum examinarea datelor de intrare poate scoate la iveală câștiguri care nu ar fi observate comparând doar arhitecturile de prognoză. Pentru utilizatori, rezultatul relevant va fi obținerea unor îmbunătățiri fiabile pentru variabilele, locurile și intervalele de decizie importante pentru activitatea lor.












