**SEEDS — технология генеративного искусственного интеллекта для генерации ансамблей прогнозов погоды**
Точные прогнозы погоды могут напрямую влиять на жизнь людей, помогая принимать повседневные решения, например, что взять с собой на прогулку, или информировать о срочных действиях, например, о защите людей в опасных погодных условиях. Важность точных и своевременных прогнозов погоды будет только расти по мере изменения климата. Осознавая это, мы в Google инвестируем в исследования в области погоды и климата, чтобы обеспечить соответствие технологий прогнозирования будущего спросу на надёжную информацию о погоде.
Среди наших последних инноваций — MetNet-3, прогнозы Google с высоким разрешением на срок до 24 часов в будущем, и GraphCast, модель погоды, которая может прогнозировать погоду на срок до 10 дней вперёд.
**SEEDS: прорыв в прогнозировании погоды с помощью искусственного интеллекта**
Погода по своей природе стохастична. Для количественной оценки неопределённости традиционные методы основаны на физическом моделировании для генерации ансамбля прогнозов. Однако создание большого ансамбля для точного выявления и характеристики редких и экстремальных погодных явлений требует значительных вычислительных ресурсов.
Мы рады объявить о нашей последней инновации, призванной ускорить прогресс в области прогнозирования погоды — Scalable Ensemble Envelope Diffusion Sampler (SEEDS). SEEDS — это генеративная модель искусственного интеллекта, которая может эффективно генерировать ансамбли прогнозов погоды в масштабе при незначительных по сравнению с традиционными физическими моделями прогнозирования затратах.
**Необходимость вероятностных прогнозов: эффект бабочки**
Профессор метеорологии Массачусетского технологического института Эд Лоренц на встрече Американской ассоциации содействия развитию науки в Вашингтоне, округ Колумбия, выступил с докладом под названием «Взмах крыльев бабочки в Бразилии вызывает торнадо в Техасе?», который способствовал появлению термина «эффект бабочки». Он основывался на своей более ранней эпохальной статье 1963 года, где он исследовал возможность «долгосрочного прогнозирования погоды» и описал, как ошибки в начальных условиях экспоненциально растут при интегрировании во времени с помощью численных моделей прогнозирования погоды.
Этот экспоненциальный рост ошибок, известный как хаос, приводит к ограничению детерминированной предсказуемости, которое ограничивает использование отдельных прогнозов при принятии решений, поскольку они не учитывают неопределённость погодных условий. Это особенно проблематично при прогнозировании экстремальных погодных явлений, таких как ураганы, волны тепла или наводнения.
Признавая ограничения детерминированных прогнозов, метеорологические агентства по всему миру выдают вероятностные прогнозы. Такие прогнозы основаны на ансамблях детерминированных прогнозов, каждый из которых генерируется путём включения синтетического шума в начальные условия и стохастичности в физических процессах.
**SEEDS: достижения с использованием искусственного интеллекта**
В статье представлена технология Scalable Ensemble Envelope Diffusion Sampler (SEEDS), генеративная модель искусственного интеллекта для генерации ансамблей прогнозов погоды. SEEDS основана на вероятностных моделях шумоподавления, передового метода генеративного искусственного интеллекта, впервые разработанного частично в Google Research.
SEEDS может генерировать большой ансамбль, основываясь всего на одном или двух прогнозах из операционной системы численного прогнозирования погоды. Сгенерированные ансамбли не только дают правдоподобные прогнозы погоды, но и соответствуют или превосходят ансамбли, основанные на физике, по таким показателям мастерства, как ранговая гистограмма, среднеквадратичная ошибка (RMSE) и непрерывная оценка вероятности (CRPS).
**Генерация правдоподобных прогнозов погоды**
Мы также сравниваем результаты с прогнозами из гауссовой модели, которая предсказывает одномерное среднее значение и стандартное отклонение каждого атмосферного поля в каждом месте, распространённый и вычислительно эффективный, но менее сложный подход, основанный на данных. Эта гауссова модель предназначена для характеристики выходных данных точечной постобработки, которая игнорирует корреляции и рассматривает каждую точку сетки как независимую случайную величину. В отличие от этого, реальная метеорологическая карта будет иметь подробные корреляционные структуры.
Поскольку SEEDS напрямую моделирует совместное распределение состояния атмосферы, она реалистично отражает как пространственную ковариацию, так и корреляцию между геопотенциалом в средней тропосфере и средним уровнем давления на уровне моря, которые тесно связаны и обычно используются метеорологами для оценки и проверки прогнозов.
**Покрытие экстремальных явлений более точно**
SEEDS обеспечивает более точный статистический охват экстремального теплового явления в Европе 2022/07/14, обозначенного коричневой звездой. Каждый график показывает значения общего столбца интегрированного водяного пара (TCVW) по сравнению с температурой в точке сетки вблизи Лиссабона, Португалия, на основе 16 384 образцов, сгенерированных нашими моделями, показанных в виде зелёных точек, обусловленных двумя семенами (синие квадраты), взятыми из 7-дневных оперативных прогнозов погоды в США (обозначены более редкими коричневыми треугольниками).
**Заключение и перспективы на будущее**
Авторы статьи: Лизао Ли, Роб Карвер, Игнасио Лопес-Гомес, Фей Ша и Джон Андерсон. Руководитель программы — Карла Бромберг. Мы также благодарим Тома Смолла, который разработал анимацию. Наши коллеги из Google Research предоставили бесценные советы по работе над SEEDS. Среди них мы благодарим Леонардо Зепеда-Нуньеса, Чжун И Вана, Стефана Распа, Стефана Хойера и Тапио Шнайдера за их вклад и полезные обсуждения.
Добавить комментарий