รายงาน
งานวิจัยของ Tomorrow.io ชี้ว่า ข้อมูลตั้งต้นที่ดีขึ้นช่วยปรับปรุงการพยากรณ์อากาศด้วย AI ได้

ประเด็นสำคัญข้อมูลบรรยากาศเริ่มต้นที่ดีขึ้นช่วยปรับปรุงการพยากรณ์ออโรราโดยไม่ต้องเปลี่ยนแปลงแบบจำลอง…
ดูเพิ่มเติม
- ข้อมูลบรรยากาศเริ่มต้นที่ดีขึ้นช่วยปรับปรุงการพยากรณ์ออโรราโดยไม่ต้องเปลี่ยนแปลงแบบจำลองเอง
- การปรับปรุงในหนึ่งวันเปรียบเทียบการเริ่มต้น Sky 1 กับ GFS ดิบ แทนที่จะแยกการสังเกตจากดาวเทียม
- ความก้าวหน้าของ AI ด้านสภาพอากาศขึ้นอยู่กับกระบวนการทั้งหมดของการสังเกต การผสานรวม การพยากรณ์ และการประเมิน
Tomorrow.io เสนอแนวทางปรับปรุงการพยากรณ์อากาศด้วย AI ตั้งแต่ก่อนเริ่มทำงานของแบบจำลองพยากรณ์ งานวิจัยล่าสุดของบริษัทระบุว่า การประเมินสภาพบรรยากาศปัจจุบันให้ดีขึ้นช่วยปรับปรุงการคาดการณ์จาก Aurora 1.5 ของ Microsoft และ WeatherNext 2 ของ Google DeepMind ได้ โดยไม่ต้องเปลี่ยนแปลงแบบจำลองพยากรณ์เหล่านั้น
ประกาศเมื่อวันที่ 17 พฤศจิกายนของบริษัทกล่าวถึง Sky 1 ซึ่งเป็นระบบผสานข้อมูลด้วยแมชชีนเลิร์นนิงที่ปรับปรุงเงื่อนไขตั้งต้นทุกชั่วโมง โดยใช้ข้อมูลสังเกตการณ์จากกลุ่มดาวเทียมที่มีเครื่องวัดคลื่นไมโครเวฟ 15 เครื่อง อุปกรณ์เหล่านี้เพิ่มข้อมูลด้านอุณหภูมิและความชื้น รวมถึงข้อมูลที่เก็บได้ผ่านเมฆและในพื้นที่ที่มีการสังเกตการณ์เบาบาง
ผลการศึกษาแสดงให้เห็นว่า ระบบสังเกตการณ์และซอฟต์แวร์ที่จัดเตรียมข้อมูลป้อนเข้าให้แบบจำลองสมควรได้รับความสนใจควบคู่ไปกับสถาปัตยกรรมของแบบจำลอง นอกจากนี้ การศึกษายังมีการเปรียบเทียบสองส่วนที่แตกต่างกัน ได้แก่ ผลจากข้อมูลสังเกตการณ์ผ่านดาวเทียม และประโยชน์ในภาพรวมจากการใช้ Sky 1 เพื่อกำหนดค่าเริ่มต้นให้ Aurora
เหตุใดสภาพบรรยากาศตั้งต้นจึงสำคัญ
แบบจำลองสภาพอากาศต้องมีสถานะตั้งต้น ซึ่งเป็นการประเมินสภาพต่าง ๆ ในสามมิติ เช่น อุณหภูมิ ความชื้น และลม ข้อมูลสังเกตการณ์มาจากสถานที่ ระดับความสูง และช่วงเวลาที่แตกต่างกัน การผสานข้อมูลจะนำค่าที่วัดได้มารวมกับการประเมินสภาพบรรยากาศที่มีอยู่ เพื่อสร้างจุดตั้งต้นที่สอดคล้องกัน
คำอธิบายของ ECMWF เกี่ยวกับ ERA5กล่าวถึงการผสานแบบจำลองเข้ากับข้อมูลสังเกตการณ์นี้ ERA5 นำสภาพอากาศในอดีตมาสร้างเป็นชุดข้อมูลทั่วโลกที่สอดคล้องกัน จึงมีประโยชน์ในฐานะข้อมูลอ้างอิงสำหรับประเมินการพยากรณ์ อย่างไรก็ตาม ERA5 ยังคงเป็นการสร้างภาพบรรยากาศขึ้นใหม่ โดยอาศัยแบบจำลองและข้อมูลสังเกตการณ์ของตนเอง
การอนุมานที่รวดเร็วช่วยให้แบบจำลองคำนวณสิ่งที่จะเกิดขึ้นต่อไปได้เร็วเพียงใด ส่วนการกำหนดค่าเริ่มต้นที่ดีขึ้นช่วยให้แบบจำลองทราบได้แม่นยำเพียงใดว่ากำลังเกิดอะไรขึ้นในขณะนี้ แม้จะเป็นแบบจำลองที่ทรงประสิทธิภาพ ก็ยังอาจส่งต่อการประเมินตั้งต้นที่คลาดเคลื่อนไปยังผลการคาดการณ์ได้
ผลการเปรียบเทียบข้อมูลจากดาวเทียม
Tomorrow.io รายงานว่า การเพิ่มข้อมูลสังเกตการณ์ของบริษัทช่วยลดความคลาดเคลื่อนของไอน้ำในสถานะตั้งต้นได้ประมาณ 5–8% ในกรณีศึกษา 28 กรณี เมื่อวัดเทียบกับ ERA5 ในการประเมินผลพยากรณ์ การพยากรณ์ 112 ครั้งจาก Aurora 1.5 มีค่าความคลาดเคลื่อนเฉลี่ยของอุณหภูมิใกล้พื้นผิวต่ำลงในทุกระยะเวลานำที่ประเมินไปจนถึง 5 วัน เมื่อรวมข้อมูลสังเกตการณ์ บริษัทระบุว่าผลที่ดีขึ้นมีขนาดไม่มาก และเห็นได้ชัดที่สุดในช่วง 2 วันแรก
วิธีการที่บริษัทเผยแพร่ใช้สถานะตั้งต้นแบบจับคู่กัน โดย Sky 1 จัดเตรียมสถานะหนึ่งจากข้อมูลสังเกตการณ์ของกลุ่มดาวเทียม และอีกสถานะหนึ่งโดยไม่ใช้ข้อมูลดังกล่าว จากนั้นใช้แบบจำลองพยากรณ์เดียวกันกับทั้งสองสถานะ เพื่อให้การประเมินแยกผลที่เกิดจากข้อมูลเพิ่มเติมได้
การเปรียบเทียบกับสถานีใช้สถานีตรวจวัดสภาพอากาศประมาณ 17,700 แห่ง นอกจากนี้ ยังทดสอบ WeatherNext 2 โดยใช้สถานะตั้งต้นแบบจับคู่กันด้วย
ผลเรื่อง “เพิ่มเวลาได้อีกหนึ่งวัน” หมายความว่าอย่างไร
ผลที่ระบุว่าระยะเวลานำเพิ่มขึ้นราวหนึ่งวันมาจากการเปรียบเทียบอีกชุดหนึ่ง ระหว่าง Aurora ที่กำหนดค่าเริ่มต้นด้วย Sky 1 กับ Aurora ที่กำหนดค่าเริ่มต้นโดยตรงจากข้อมูล Global Forecast System (GFS) Tomorrow.io รายงานว่า เมื่อประเมินเทียบกับ ERA5 การพยากรณ์ที่ใช้ข้อมูล GFS ดิบมีค่าความคลาดเคลื่อนถึงระดับเดียวกับการพยากรณ์ล่วงหน้า 5 วันของ Sky 1 เร็วขึ้นประมาณ 24.9 ชั่วโมง ส่วนเมื่อเทียบกับสถานีตรวจวัดสภาพอากาศ ผลที่เพิ่มขึ้นในระดับเดียวกันอยู่ที่ประมาณ 10 ชั่วโมง
บริษัทระบุอย่างชัดเจนว่าผลลัพธ์ดังกล่าวเป็นผลจาก Sky 1 โดยรวม ไม่ใช่จากกลุ่มดาวเทียมเพียงอย่างเดียว บริษัทกล่าวว่าการปรับปรุงส่วนหนึ่งเกิดจากการให้ Aurora ใช้สถานะตั้งต้นที่มีลักษณะคล้ายกับสถานะที่แบบจำลองพบระหว่างการฝึก
ความแตกต่างนี้เป็นหัวใจสำคัญในการตีความงานวิจัย ผลที่เทียบเคียงได้กับการเพิ่มเวลาอีกหนึ่งวันเป็นการวัดประสิทธิภาพ ณ เกณฑ์ความคลาดเคลื่อนของอุณหภูมิและข้อมูลอ้างอิงที่กำหนด ไม่ได้ยืนยันว่าตัวแปรพยากรณ์ทุกชนิด ทุกภูมิภาค หรือเหตุการณ์สภาพอากาศรุนแรงทุกกรณีจะคาดการณ์ได้ล่วงหน้าเร็วขึ้นเต็มหนึ่งวัน
เทคโนโลยีเบื้องหลังข้อมูลสังเกตการณ์ชุดใหม่
เอกสารเกี่ยวกับเครื่องวัดคลื่นไมโครเวฟของ Tomorrow.ioอธิบายถึงเครื่องวัดรังสีแบบพาสซีฟที่ให้ข้อมูลโพรไฟล์อุณหภูมิและไอน้ำในบรรยากาศ บริษัทระบุว่ามีช่องสัญญาณมากกว่า 12 ช่อง ครอบคลุมช่วง 91–204 GHz และสแกนขวางแนวการเคลื่อนที่ครอบคลุมพื้นที่กว้างประมาณ 2,200 กิโลเมตร
อุปกรณ์เหล่านี้ให้ค่าที่วัดได้สำหรับการวิเคราะห์บรรยากาศ แต่ไม่ได้สร้างผลพยากรณ์ที่เสร็จสมบูรณ์โดยตรง คุณค่าของข้อมูลสังเกตการณ์ขึ้นอยู่กับการปรับเทียบ ความครอบคลุม ช่วงเวลาที่เก็บข้อมูล และวิธีที่ระบบผสานข้อมูลนำข้อมูลนั้นไปใช้ สิ่งนี้เชื่อมโยงอุปกรณ์ในอวกาศเข้ากับกระบวนการป้อนข้อมูลที่แบบจำลองพยากรณ์ด้วย AI ใช้
Aurora และ WeatherNext เข้ามามีบทบาทอย่างไร
Microsoft อธิบายว่า Aurora 1.5เป็นการต่อยอดแบบจำลองพื้นฐานด้านระบบโลกของบริษัท โดยเพิ่มความละเอียดด้านเวลาเป็นรายชั่วโมง เพิ่มตัวแปรพยากรณ์ และเพิ่มการพยากรณ์แบบกลุ่มชุดความน่าจะเป็น การพยากรณ์แบบกลุ่มชุดแสดงผลลัพธ์ในอนาคตที่เป็นไปได้หลายแบบ ช่วยให้ผู้ใช้ประเมินความไม่แน่นอนได้
WeatherNext 2ใช้สถาปัตยกรรม Functional Generative Network เพื่อพยากรณ์แบบกลุ่มชุดทั่วโลก เอกสารของ Google ระบุว่าระบบใช้กริดขนาด 0.25 องศา มีสมาชิกในกลุ่มชุด 64 ราย และพยากรณ์ล่วงหน้าได้ 15 วัน ส่วนการประเมินผลที่ Tomorrow.io รายงานครอบคลุมระยะเวลา 5 วัน
ต่อมา Google ได้เปิดตัว WeatherNext 3 ซึ่งนำข้อมูลสังเกตการณ์จากดาวเทียมแบบเรียลไทม์มาใช้และจัดทำพยากรณ์รายชั่วโมง ผลการทดสอบของ Tomorrow.io ที่กล่าวถึงในที่นี้เกี่ยวข้องกับ WeatherNext 2 และไม่ได้ยืนยันว่ารุ่นใหม่กว่าของ Google มีประสิทธิภาพดีขึ้น
ทิศทางที่กว้างขึ้นของ AI ด้านพยากรณ์อากาศ
ผลการประเมินเหล่านี้เป็นการวิเคราะห์ย้อนหลังที่บริษัทรายงานเอง โดยเป็นการทดสอบคุณภาพของการกำหนดค่าเริ่มต้นและข้อมูลสังเกตการณ์ที่มีประโยชน์ ขณะที่ข่าวประชาสัมพันธ์ระบุว่าสามารถขอข้อมูลได้ รายงานกล่าวถึงงานประเมินเส้นทางพายุเฮอริเคน จุดขึ้นฝั่งของแม่น้ำในชั้นบรรยากาศ และการเกิดสภาพอากาศรุนแรง แต่ไม่ได้ยืนยันว่ากิจกรรมเหล่านี้จะได้ผลดีขึ้นในด้านระยะเวลานำของการพยากรณ์อุณหภูมิเท่ากัน
บทเรียนที่กว้างกว่านั้นคือ AI ด้านพยากรณ์อากาศพัฒนาขึ้นได้ตลอดทั้งกระบวนการพยากรณ์ ตั้งแต่การสังเกตการณ์ การผสานข้อมูล การคาดการณ์ ไปจนถึงการประเมินผล การทดสอบของ Tomorrow.io แสดงให้เห็นว่าการตรวจสอบข้อมูลนำเข้าสามารถเผยให้เห็นการพัฒนาที่อาจมองข้ามไป หากเปรียบเทียบเฉพาะสถาปัตยกรรมการพยากรณ์ สำหรับผู้ใช้งาน ผลลัพธ์ที่มีความหมายคือการพัฒนาที่เชื่อถือได้ในตัวแปร พื้นที่ และช่วงเวลาสำหรับการตัดสินใจที่สำคัญต่อการดำเนินงานของตน












