Звіти
Дослідження Tomorrow.io показало, що кращі початкові дані можуть поліпшити прогнози погоди за допомогою ШІ

Ключові моментиКращі початкові атмосферні дані покращили прогнози Aurora без зміни самої моделі.
Показати більше
- Кращі початкові атмосферні дані покращили прогнози Aurora без зміни самої моделі.
- Одноденний виграш порівнює ініціалізацію Sky 1 із сирим GFS, а не ізолює супутникові спостереження.
- Прогрес ШІ в погоді залежить від повного конвеєра засвоєння спостережень, прогнозування та оцінювання.
Tomorrow.io доводить, що поліпшувати прогнози погоди за допомогою ШІ можна ще до запуску моделі прогнозування. У своєму останньому дослідженні компанія повідомляє, що точніші оцінки поточного стану атмосфери можуть поліпшити прогнози Microsoft Aurora 1.5 і WeatherNext 2 від Google DeepMind без змін у самих моделях прогнозування.
У повідомленні від 17 листопада компанія описує Sky 1 — систему асиміляції даних на основі машинного навчання, яка щогодини оновлює початкові умови, використовуючи спостереження сузір’я з 15 мікрохвильових зондів. Прилади додають дані про температуру й вологість, зокрема крізь хмари та в регіонах із рідкою мережею спостережень.
Результати свідчать, що системам спостереження та програмному забезпеченню, яке готує вхідні дані моделі, варто приділяти увагу нарівні з архітектурою моделі. У дослідженні також розглянуто два окремі порівняння: внесок супутникових спостережень і ширшу користь від використання Sky 1 для ініціалізації Aurora.
Чому важливий початковий стан атмосфери
Моделі погоди потрібен початковий стан — тривимірна оцінка таких умов, як температура, вологість і вітер. Спостереження надходять із різних місць, висот і в різний час. Асиміляція даних поєднує вимірювання з наявною оцінкою стану атмосфери, щоб сформувати узгоджену початкову картину.
В описі ERA5 від ECMWF йдеться про поєднання моделей і спостережень. ERA5 відтворює минулу погоду у вигляді узгодженого глобального набору даних, тому його зручно використовувати як орієнтир для оцінювання прогнозів. Водночас це реконструкція стану атмосфери, для якої використовують власні моделі та дані спостережень.
Швидке виконання обчислень визначає, як швидко модель може розрахувати подальший розвиток подій. Краща ініціалізація визначає, наскільки добре вона знає, що відбувається зараз. Навіть потужна модель може перенести неточну початкову оцінку у свої прогнози.
Що показало порівняння супутникових спостережень
За даними Tomorrow.io, додавання спостережень компанії зменшило похибку оцінки водяної пари в початковому стані приблизно на 5–8% у 28 випадках порівняно з ERA5. Під час оцінювання прогнозів середня похибка приземної температури була меншою в усіх 112 прогнозах Aurora 1.5 на кожному з оцінених строків завчасності до п’яти днів, якщо враховувалися ці спостереження. Компанія характеризує поліпшення як помірні; найвиразнішими вони були протягом перших двох днів.
В опублікованому описі методів компанія використовує парні початкові стани: Sky 1 формує один із використанням спостережень сузір’я, а інший — без них. Для кожного стану запускають ту саму модель прогнозування, що дає змогу окремо оцінити внесок додаткових даних.
У порівнянні використали дані приблизно 17 700 метеостанцій. WeatherNext 2 також тестували з використанням парних початкових станів.
Що насправді означає результат про «додаткову добу»
Результат про збільшення строку завчасності прогнозу приблизно на добу отримано в окремому порівнянні Aurora, ініціалізованої за допомогою Sky 1, з Aurora, ініціалізованою безпосередньо даними Global Forecast System (GFS). За повідомленням Tomorrow.io, запуск із необробленими даними GFS досяг рівня похибки п’ятиденного прогнозу Sky 1 приблизно на 24,9 години раніше, якщо оцінювати його за ERA5. Порівняно з даними метеостанцій відповідний виграш становив приблизно 10 годин.
Компанія прямо пов’язує цей результат із роботою Sky 1 загалом, а не лише із супутниковим сузір’ям. За її словами, частина поліпшення пояснюється тим, що Aurora отримує початковий стан, подібний до тих, із якими модель працювала під час навчання.
Ця відмінність має ключове значення для тлумачення результатів дослідження. Результат, виражений в еквіваленті доби, вимірює ефективність за конкретного порогового значення похибки температури та певного орієнтира. Він не доводить, що кожну прогнозовану змінну, регіон або екстремальну подію можна передбачити на цілу добу раніше.
Технологія, що лежить в основі нових спостережень
В документації мікрохвильового зонда Tomorrow.io описано пасивні радіометри, які формують профілі температури атмосфери та водяної пари. За даними компанії, прилади охоплюють понад 12 каналів у діапазоні 91–204 ГГц і сканують поперек траєкторії смугу завширшки приблизно 2 200 кілометрів.
Ці прилади надають вимірювання для аналізу атмосфери, а не готовий прогноз. Цінність спостереження залежить від калібрування, охоплення, часу отримання та способу його врахування системою асиміляції. Саме так космічне обладнання пов’язане з конвеєром підготовки вхідних даних, який використовують моделі прогнозування на основі ШІ.
Як пов’язані Aurora та WeatherNext
За описом Microsoft, Aurora 1.5 — це розширена версія базової моделі земної системи компанії, у якій додано погодинну часову роздільність, більше прогнозованих змінних і ймовірнісне ансамблеве прогнозування. Ансамбль охоплює кілька можливих сценаріїв майбутнього, допомагаючи користувачам оцінювати невизначеність.
WeatherNext 2 використовує архітектуру Functional Generative Network для глобального ансамблевого прогнозування. Згідно з документацією Google, модель має сітку з роздільністю 0,25 градуса, 64 члени ансамблю та горизонт прогнозування 15 днів. Описане Tomorrow.io оцінювання охоплює п’ятиденний горизонт.
Відтоді Google представила WeatherNext 3, яка враховує супутникові спостереження в реальному часі й формує погодинні прогнози. Результати Tomorrow.io, про які йдеться тут, стосуються WeatherNext 2; вони не підтверджують поліпшення новішої моделі Google.
Ширший напрям розвитку ШІ для прогнозування погоди
Це ретроспективні оцінювання, про які повідомила компанія. Вони дають змогу корисно перевірити якість ініціалізації та спостережень, а в повідомленні зазначено, що дані можна отримати за запитом. У ньому йдеться про оцінювання траєкторій ураганів, виходів атмосферних річок на узбережжя та спалахів небезпечних погодних явищ, однак не стверджується, що для цих подій приріст завчасності прогнозування температури був таким самим.
Ширший висновок полягає в тому, що ШІ для прогнозування погоди розвивається на всіх етапах прогнозного процесу: від спостережень та асиміляції даних до прогнозування й оцінювання. Тести Tomorrow.io показують, як аналіз вхідних даних може виявити переваги, які залишилися б непоміченими під час порівняння лише архітектур прогнозування. Для користувачів важливим результатом стануть надійні поліпшення прогнозів тих змінних, для тих місць і в ті проміжки часу для ухвалення рішень, які мають значення для їхньої діяльності.












