Автор: Ляо (Ларри) Ли, инженер-программист, и Роб Карвер, научный сотрудник, Google Research
Точные прогнозы погоды могут напрямую влиять на жизнь людей: от помощи в принятии повседневных решений, например, что взять с собой на прогулку, до информирования о срочных действиях, например, о защите людей в опасных погодных условиях. Точность и своевременность прогнозов погоды будет только возрастать по мере изменения климата. Осознавая это, мы в Google инвестируем в исследования в области погоды и климата, чтобы обеспечить соответствие технологий прогнозирования завтрашнего дня растущему 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.
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.
Учитывая это, мы рады объявить о нашей последней инновации, направленной на ускорение прогресса в прогнозировании погоды — Scalable Ensemble Envelope Diffusion Sampler (SEEDS), недавно опубликованной в Science Advances. SEEDS — это генеративная модель искусственного интеллекта, которая может эффективно генерировать ансамбли прогнозов погоды в масштабе при незначительных затратах по сравнению с традиционными моделями физического прогнозирования.
Эта технология открывает новые возможности для науки о погоде и климате и представляет собой одно из первых применений вероятностных диффузионных моделей в прогнозировании погоды и климата.
Необходимость вероятностных прогнозов: эффект бабочки
На встрече Американской ассоциации содействия развитию науки в Вашингтоне, округ Колумбия, профессор метеорологии Массачусетского технологического института Эд Лоренц выступил с докладом «Взмахнёт ли бабочка крыльями в Бразилии, вызовет ли это торнадо в Техасе?», который способствовал появлению термина «эффект бабочки». Он опирался на свою более раннюю эпохальную статью 1963 года, где 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 детерминированному пределу предсказуемости, который 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, передовом методе генеративного искусственного интеллекта, разработанном частично в Google Research.
SEEDS может генерировать большой ансамбль, основанный всего на одном или двух прогнозах из операционной системы численного прогнозирования погоды. Созданные ансамбли не только дают правдоподобные прогнозы погоды, но и соответствуют или превосходят ансамбли, основанные на физике, по таким показателям эффективности, 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, что является распространённым и вычислительно эффективным, но менее сложным подходом, основанным на данных.
Поскольку SEEDS напрямую моделирует совместное распределение состояния атмосферы, она реалистично отражает как пространственную ковариацию, так и корреляцию между средне-тропосферным геопотенциалом и средним уровнем давления на уровне моря, которые тесно связаны и обычно используются метеорологами для оценки и проверки прогнозов.
Охват экстремальных явлений более точно
SEEDS обеспечивает более точный статистический охват экстремального теплового явления в Европе 2022/07/14, обозначенного коричневой звездой.
Заключение и перспективы на будущее
Авторы статьи: Ляо Ли, Роб Карвер, Игнасио Лопес-Гомес, Фэй 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.
Мы благодарим Тайлера Рассела за дополнительное техническое управление программой, а также Алекса Мероуза за координацию данных и поддержку. Мы также благодарим Ценк Газен, Шрею Агравал и Джейсона Хикки за обсуждения на раннем этапе работы над SEEDS.