Rapporter

Forskning från Tomorrow.io visar att bättre startdata kan förbättra AI-väderprognoser

Silas Venn
Lägg till Unite.AI bland dina föredragna källor på Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Viktiga punkterBättre initiala atmosfärsdata förbättrade Aurora-prognoserna utan att ändra själva…
Visa mer
  • Bättre initiala atmosfärsdata förbättrade Aurora-prognoserna utan att ändra själva modellen.
  • Förbättringen på en dag jämför Sky 1-initialisering mot rå GFS snarare än att isolera satellitobservationer.
  • Framsteg inom väder-AI beror på hela kedjan av observationer, assimilering, prediktion och utvärdering.

Tomorrow.io argumenterar för att AI-väderprognoser kan förbättras innan prognosmodellen ens börjar köras. I företagets senaste forskning rapporteras att bättre uppskattningar av atmosfärens aktuella tillstånd kan förbättra prognoser från Microsofts Aurora 1.5 och Google DeepMinds WeatherNext 2, utan att prognosmodellerna ändras.

I företagets tillkännagivande den 17 november beskrivs Sky 1, ett system för dataassimilation baserat på maskininlärning, som uppdaterar initialvillkoren varje timme med hjälp av observationer från företagets konstellation av 15 mikrovågssonder. Instrumenten tillför information om temperatur och fuktighet, även genom moln och i områden med få observationer.

Resultaten tyder på att observationssystem och den programvara som förbereder modellens indata bör uppmärksammas, vid sidan av modellarkitekturen. De omfattar också två olika jämförelser: bidraget från satellitobservationerna och den bredare nyttan av att använda Sky 1 för att initiera Aurora.

Därför spelar atmosfärens utgångsläge roll

En vädermodell behöver ett initialtillstånd: en tredimensionell uppskattning av förhållanden som temperatur, luftfuktighet och vind. Observationer kommer från olika platser, höjder och tidpunkter. Dataassimilation sammanför mätningar med en befintlig uppskattning av atmosfären för att skapa ett sammanhängande utgångsläge.

ECMWF:s förklaring av ERA5 beskriver hur modeller och observationer kombineras. ERA5 återskapar tidigare väderförhållanden i ett enhetligt globalt dataset, vilket gör det användbart som referens vid utvärdering av prognoser. Det är fortfarande en rekonstruktion av atmosfären, med egna modell- och observationsdata som underlag.

Snabb inferens handlar om hur snabbt en modell kan beräkna vad som händer härnäst. Bättre initiering handlar om hur väl modellen känner till det aktuella läget. Även en kraftfull modell kan föra en felaktig startuppskattning vidare i sina prognoser.

Vad satellitjämförelsen visade

Tomorrow.io rapporterar att tillägget av företagets observationer minskade felet i vattenångan i initialtillståndet med cirka 5–8 % i 28 fall, jämfört med ERA5. I prognosutvärderingen hade 112 Aurora 1.5-prognoser lägre genomsnittligt fel i temperaturen nära marken vid samtliga utvärderade prognoshorisonter upp till fem dygn när observationerna inkluderades. Företaget beskriver förbättringarna som måttliga och som störst under de första två dygnen.

I företagets publicerade metoder används två parade starttillstånd: Sky 1 skapar ett med konstellationens observationer och ett annat utan dessa observationer. Samma prognosmodell körs från vart och ett av dem, vilket gör det möjligt att isolera effekten av de tillagda datauppgifterna.

Stationsjämförelsen omfattade cirka 17 700 väderstationer. WeatherNext 2 testades också med de parade initialtillstånden.

Vad resultatet om ”en extra dag” faktiskt innebär

Ökningen av prognoshorisonten med ungefär ett dygn kommer från en separat jämförelse mellan Aurora som initierats med Sky 1 och Aurora som initierats direkt med data från Global Forecast System (GFS). Tomorrow.io rapporterar att körningen med rådata från GFS nådde samma felnivå som den femdygnsprognos som gjordes med Sky 1 cirka 24,9 timmar tidigare, vid utvärdering mot ERA5. Jämfört med väderstationer var motsvarande förbättring cirka 10 timmar.

Företaget tillskriver uttryckligen det resultatet Sky 1 som helhet, inte enbart satellitkonstellationen. Enligt företaget beror en del av förbättringen på att Aurora får ett initialtillstånd som liknar den typ av tillstånd modellen mötte under träningen.

Den skillnaden är central för tolkningen av forskningen. Resultatet uttryckt i dagar mäter prestandan vid en viss gräns för temperaturfel och mot en viss referens. Det visar inte att varje prognosvariabel, region eller extrem väderhändelse blir förutsägbar ett helt dygn tidigare.

Tekniken bakom de nya observationerna

I Tomorrow.io:s dokumentation om mikrovågssonder beskrivs passiva radiometrar som ger profiler av atmosfärens temperatur och vattenånga. Företaget uppger att instrumenten har fler än 12 kanaler inom frekvensområdet 91–204 GHz och sveper tvärs över satellitbanan över en ungefär 2 200 kilometer bred mätsträcka.

Instrumenten samlar in mätningar för en analys av atmosfären; de ger inte direkt en färdig prognos. Värdet av en observation beror på dess kalibrering, täckning och tidpunkt samt på hur assimileringssystemet införlivar den. Detta knyter samman rymdtekniken med den indatakedja som används av AI-väderprognosmodeller.

Aurora och WeatherNext i sammanhanget

Microsoft beskriver Aurora 1.5 som en vidareutveckling av företagets grundmodell för jordsystemet, med tillägg av timvis tidsupplösning, fler prognosvariabler och probabilistiska ensembleprognoser. En ensemble representerar flera möjliga framtida utfall och hjälper användarna att bedöma osäkerheten.

WeatherNext 2 använder en arkitektur av typen Functional Generative Network för globala ensembleprognoser. I Googles dokumentation anges ett rutnät med 0,25 graders upplösning, 64 ensemblemedlemmar och en prognoshorisont på 15 dagar. Den utvärdering som Tomorrow.io rapporterar omfattar en prognoshorisont på fem dagar.

Google har sedan dess introducerat WeatherNext 3, som använder satellitobservationer i realtid och tar fram prognoser timme för timme. Resultaten från Tomorrow.io som diskuteras här gäller WeatherNext 2; de visar inte att Googles nyare modell har förbättrats.

En bredare inriktning för AI inom väderprognoser

Det här är retrospektiva utvärderingar som företaget har rapporterat. De ger ett användbart test av kvaliteten på initialiseringen och observationerna, samtidigt som det i tillkännagivandet står att data lämnas ut på begäran. Där beskrivs arbete med att utvärdera orkanbanor, när atmosfäriska floder når land och utbrott av extremväder, utan att visa att samma förbättring av framförhållningen för temperaturprognoser gäller för dessa händelser.

Den bredare lärdomen är att AI för väderprognoser utvecklas genom hela prognoskedjan: observationer, dataassimilation, prognoser och utvärdering. Tomorrow.io:s tester visar hur granskning av indata kan avslöja förbättringar som inte skulle upptäckas om man bara jämförde prognosarkitekturer. För användarna är det avgörande resultatet tillförlitliga förbättringar för de variabler, platser och beslutsfönster som är viktiga för deras verksamhet.

Silas Venn är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker artificiell intelligens i skärningspunkten mellan hållbarhet, klimatvetenskap och miljöinnovation. Hans arbete undersöker hur AI-system används för att optimera energieffektivitet, förbättra klimatmodellering och stödja övergången till mer hållbar infrastruktur och industrier.
Med ett framåtriktat och miljömässigt grundat perspektiv undersöker Silas tillämpningar som sträcker sig från smarta elnät och energiprognoser till klimatriskanalys, koldioxidmätning och resursoptimering. Han fokuserar på praktiska införanden där AI bidrar till mätbara miljöfördelar, samtidigt som han också behandlar begränsningarna, avvägningarna och de långsiktiga implikationerna av att skala upp dessa teknologier på ett ansvarsfullt sätt.
Artiklar skrivna av Silas Venn är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa noggrannhet, balans och ansvarsfull rapportering om AI:s roll i hållbarhet och klimatteknologi.