Báo cáo

Nghiên cứu của Tomorrow.io cho thấy dữ liệu đầu vào tốt hơn có thể cải thiện dự báo thời tiết bằng AI

Silas Venn
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Conceptual satellite observations flowing into a gridded atmospheric analysis above Earth
Điểm chínhDữ liệu khí quyển ban đầu tốt hơn đã cải thiện dự báo Aurora mà không thay đổi bản thân…
Xem thêm
  • Dữ liệu khí quyển ban đầu tốt hơn đã cải thiện dự báo Aurora mà không thay đổi bản thân mô hình.
  • Mức cải thiện một ngày so sánh khởi tạo Sky 1 với GFS thô thay vì tách riêng các quan sát vệ tinh.
  • Tiến bộ của AI thời tiết phụ thuộc vào toàn bộ quy trình gồm đồng hóa quan sát, dự báo và đánh giá.

Tomorrow.io đang đưa ra lập luận rằng có thể cải thiện dự báo thời tiết bằng AI ngay cả trước khi mô hình dự báo bắt đầu chạy. Nghiên cứu mới nhất của công ty cho biết các ước tính chính xác hơn về trạng thái khí quyển hiện tại có thể cải thiện dự đoán từ Aurora 1.5 của Microsoft và WeatherNext 2 của Google DeepMind mà không cần thay đổi các mô hình dự báo này.

Thông báo ngày 17 tháng 11 của công ty giới thiệu Sky 1, một hệ thống đồng hóa dữ liệu bằng học máy, cập nhật điều kiện ban đầu mỗi giờ dựa trên các quan trắc từ chòm vệ tinh gồm 15 máy đo bức xạ vi sóng. Các thiết bị này bổ sung thông tin về nhiệt độ và độ ẩm, kể cả thông tin thu được xuyên qua mây và ở những khu vực ít được quan trắc.

Kết quả cho thấy các hệ thống quan trắc và phần mềm chuẩn bị dữ liệu đầu vào cho mô hình cũng cần được chú trọng bên cạnh kiến trúc mô hình. Nghiên cứu còn bao gồm hai phép so sánh riêng biệt: mức đóng góp của các quan trắc vệ tinh và lợi ích tổng thể của việc dùng Sky 1 để khởi tạo Aurora.

Vì sao trạng thái khí quyển ban đầu quan trọng

Mô hình thời tiết cần một trạng thái ban đầu: ước tính ba chiều về các điều kiện như nhiệt độ, độ ẩm và gió. Các quan trắc được thu thập ở những địa điểm, độ cao và thời điểm khác nhau. Quá trình đồng hóa dữ liệu kết hợp các phép đo với ước tính hiện có về khí quyển để tạo ra một điểm xuất phát nhất quán.

Phần giải thích của ECMWF về ERA5 mô tả cách kết hợp mô hình với các quan trắc này. ERA5 tái dựng thời tiết trong quá khứ thành một bộ dữ liệu toàn cầu nhất quán, nhờ đó có thể dùng làm mốc tham chiếu để đánh giá dự báo. Tuy vậy, đây vẫn là một bản tái dựng khí quyển, với các đầu vào mô hình hóa và quan trắc riêng.

Suy luận nhanh giúp mô hình tính toán điều gì sẽ xảy ra tiếp theo trong thời gian ngắn. Khởi tạo tốt hơn giúp mô hình nắm bắt chính xác hơn những gì đang diễn ra ở hiện tại. Dù mạnh đến đâu, một mô hình vẫn có thể tiếp tục truyền sai số từ ước tính ban đầu không chính xác vào các dự đoán.

Kết quả so sánh dữ liệu vệ tinh

Tomorrow.io cho biết việc bổ sung các quan trắc của mình đã giảm sai số hơi nước trong trạng thái ban đầu khoảng 5–8% trên 28 trường hợp, khi đối chiếu với ERA5. Trong đánh giá dự báo, 112 dự báo của Aurora 1.5 có sai số nhiệt độ trung bình gần bề mặt thấp hơn ở mọi thời hạn dự báo được đánh giá, kéo dài đến 5 ngày, khi có đưa các quan trắc vào. Công ty mô tả mức cải thiện là khiêm tốn và rõ nhất trong hai ngày đầu.

Các phương pháp được công bố của công ty sử dụng những trạng thái ban đầu theo cặp: Sky 1 tạo một trạng thái có dùng các quan trắc từ chòm vệ tinh và một trạng thái không dùng những quan trắc đó. Cùng một mô hình dự báo được chạy từ mỗi trạng thái, nhờ vậy phép đánh giá có thể xác định riêng phần đóng góp của dữ liệu bổ sung.

Phép so sánh với dữ liệu trạm sử dụng khoảng 17.700 trạm thời tiết. WeatherNext 2 cũng được thử nghiệm với các trạng thái ban đầu theo cặp.

Ý nghĩa thực sự của kết quả “thêm một ngày”

Mức tăng khoảng một ngày về thời hạn dự báo đến từ một phép so sánh riêng giữa Aurora được khởi tạo bằng Sky 1 và Aurora được khởi tạo trực tiếp bằng dữ liệu Global Forecast System (GFS). Tomorrow.io cho biết khi đánh giá bằng ERA5, lần chạy dùng dữ liệu GFS thô đạt mức sai số của dự báo 5 ngày từ Sky 1 sớm hơn khoảng 24,9 giờ. Khi đối chiếu với các trạm thời tiết, mức tăng tương đương là khoảng 10 giờ.

Công ty nhấn mạnh rằng kết quả này là nhờ Sky 1 nói chung, chứ không chỉ riêng chòm vệ tinh. Theo công ty, một phần mức cải thiện đến từ việc cung cấp cho Aurora trạng thái ban đầu tương tự kiểu dữ liệu mà mô hình đã gặp trong quá trình huấn luyện.

Phân biệt này đóng vai trò then chốt khi diễn giải nghiên cứu. Kết quả quy đổi thành một ngày đo hiệu năng tại một ngưỡng sai số nhiệt độ và theo một mốc tham chiếu cụ thể. Kết quả đó không chứng minh rằng mọi biến số dự báo, khu vực hay hiện tượng cực đoan đều có thể được dự báo sớm hơn trọn một ngày.

Công nghệ đằng sau các quan trắc mới

Tài liệu về máy đo bức xạ vi sóng của Tomorrow.io mô tả các máy đo bức xạ thụ động cung cấp hồ sơ nhiệt độ khí quyển và hơi nước. Công ty cho biết thiết bị có hơn 12 kênh trong dải 91–204 GHz, với khả năng quét ngang trên một dải rộng khoảng 2.200 km.

Các thiết bị này cung cấp phép đo phục vụ phân tích khí quyển; chúng không trực tiếp tạo ra một bản dự báo hoàn chỉnh. Giá trị của một quan trắc phụ thuộc vào hiệu chuẩn, phạm vi bao phủ, thời điểm thu thập và cách hệ thống đồng hóa đưa quan trắc đó vào xử lý. Điều này kết nối phần cứng trong không gian với quy trình dữ liệu đầu vào mà các mô hình dự báo bằng AI sử dụng.

Vai trò của Aurora và WeatherNext

Microsoft mô tả Aurora 1.5 là phiên bản mở rộng của mô hình nền tảng về hệ thống Trái Đất, bổ sung độ phân giải thời gian theo giờ, nhiều biến số dự báo hơn và dự báo tổ hợp theo xác suất. Một tổ hợp gồm nhiều khả năng có thể xảy ra trong tương lai, giúp người dùng đánh giá mức độ bất định.

WeatherNext 2 sử dụng kiến trúc Mạng Tạo sinh Chức năng để dự báo tổ hợp trên toàn cầu. Tài liệu của Google nêu lưới có độ phân giải 0,25 độ, 64 thành viên tổ hợp và thời hạn dự báo 15 ngày. Đánh giá được Tomorrow.io công bố bao quát thời hạn dự báo 5 ngày.

Kể từ đó, Google đã giới thiệu WeatherNext 3, tích hợp các quan sát vệ tinh trực tiếp và đưa ra dự báo theo giờ. Các kết quả của Tomorrow.io được đề cập ở đây liên quan đến WeatherNext 2; chúng không chứng minh rằng mô hình mới hơn của Google đã được cải thiện.

Định hướng rộng hơn của AI dự báo thời tiết

Đây là các đánh giá hồi cứu do công ty báo cáo. Chúng cung cấp một phép thử hữu ích về chất lượng khởi tạo và quan sát, trong khi thông cáo cho biết dữ liệu sẽ được cung cấp theo yêu cầu. Thông cáo mô tả công việc đánh giá đường đi của bão, thời điểm các sông khí quyển đổ bộ và các đợt thời tiết cực đoan, nhưng không chứng minh rằng những hiện tượng này cũng có mức cải thiện tương tự về thời hạn dự báo nhiệt độ.

Bài học rộng hơn là AI dự báo thời tiết phát triển nhờ toàn bộ quy trình dự báo: quan sát, đồng hóa dữ liệu, dự đoán và đánh giá. Các thử nghiệm của Tomorrow.io cho thấy việc xem xét dữ liệu đầu vào có thể phát hiện những cải thiện mà chỉ so sánh các kiến trúc dự báo sẽ bỏ sót. Với người dùng, kết quả thiết thực là những cải thiện đáng tin cậy về các biến số, địa điểm và khoảng thời gian ra quyết định có ý nghĩa đối với hoạt động của họ.

Silas Venn là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, chuyên về trí tuệ nhân tạo tại giao điểm của tính bền vững, khoa học khí hậu và đổi mới môi trường. Công việc của ông khám phá cách các hệ thống AI được sử dụng để tối ưu hóa hiệu quả năng lượng, cải thiện mô hình khí hậu và hỗ trợ quá trình chuyển đổi sang cơ sở hạ tầng và ngành công nghiệp bền vững hơn.
Với một quan điểm tiến bộ và dựa trên môi trường, Silas kiểm tra các ứng dụng từ lưới điện thông minh và dự báo năng lượng đến phân tích rủi ro khí hậu, đo lường carbon và tối ưu hóa tài nguyên. Ông tập trung vào các triển khai thực tế nơi AI đóng góp lợi ích môi trường có thể đo lường được, đồng thời cũng giải quyết các hạn chế, sự đánh đổi và các tác động lâu dài của việc mở rộng các công nghệ này một cách có trách nhiệm.
Các bài viết được viết bởi Silas Venn được tạo bởi AI và được nhóm biên tập của Unite.AI xem xét để đảm bảo độ chính xác, sự cân bằng và phạm vi phủ sóng có trách nhiệm về vai trò của AI trong công nghệ bền vững và khí hậu.