Google este unul dintre cei mai importanți jucători în domeniul modelelor de previziuni meteorologice AI (adică învățare automată). Modelele pe care Google și alții le generează au punctele lor forte și slăbiciuni, dar avantajul principal este că pot avea performanțe de previziune similare cu modelele tradiționale, în timp ce necesită mult mai puțină putere de calcul pentru a fi rulate. Asta înseamnă că pot fi rulate mai frecvent.
Recent, Google a lansat versiunea 3 a modelului său WeatherNext, cea mai mare schimbare fiind că acum primește date meteorologice de la satelit, scurtând timpul de întârziere între condițiile meteorologice actuale și generarea unei noi previziuni. Actualizarea este detaliată într-un document alb.
Multe modele meteorologice folosesc ceea ce se numește o “reanaliză”, care este un fel de model propriu. Reanalizele iau în considerare tot felul de date meteorologice și le combină într-o singură imagine globală și consistentă a atmosferei. Asta înseamnă că trebuie să ofere estimări pentru condițiile din locații fără măsurători reale, deoarece modelele de previziuni meteorologice trebuie să lucreze cu o imagine globală.
Aproape toate modelele meteorologice AI s-au bazat exclusiv pe reanalize, cu algoritmi de învățare automată antrenându-se pe reanalize globale și generând o hartă meteorologică în același format. Există unele compromisuri acolo – sursele brute de date însele pot conține unele informații care se pierd în blenderul de reanaliză, iar aceste imagini globale sunt în general produse doar la fiecare șase ore.
Modelele tradiționale de previziuni meteorologice aduc adesea și alte date brute, capturând cât mai multe informații posibile pentru a reprezenta cu acuratețe starea actuală a atmosferei, astfel încât modelul să poată folosi fizica pentru a simula condițiile înainte. WeatherNext 3 face acum și asta, adăugând date de la sateliți meteorologici și crescând frecvența previziunilor la fiecare oră.
Există și alte schimbări. Rezoluția spațială a fost crescută, iar modelul de învățare automată este mai mare, determinând unele ajustări ale procesului pentru a limita cerințele computaționale crescute. De asemenea, au adăugat un model separat de învățare automată antrenat pe estimările de precipitații bazate pe satelit, ceea ce înseamnă că există mai multe previziuni de precipitații disponibile.
Spre deosebire de modelele tradiționale care folosesc proprietăți fizice într-o locație pentru a simula procese fizice, modelele de învățare automată sunt în mare parte cutii negre care se antrenează pe modele trecute și scot predicții ale modelelor viitoare. Dar WeatherNext 3 adaugă un pic de informație fizică pentru a calcula temperatura la suprafață și punctul de roua într-o locație specifică pe care vrei să o verifici. Verifică dacă punctul respectiv este pe uscat sau pe ocean și folosește elevația sa. Antrenându-se pe datele trecute de la stațiile meteorologice etichetate cu aceste informații, echipa spune că obține previziuni mai bune.
Documentul alb arată câteva rezultate pentru a documenta îmbunătățirile performanței de previziune față de WeatherNext 2, precum și AI-ul European Centre for Medium-Range Weather Forecasts (ECMWF).
Sursa: Ars Technica
Revista “Ştiinţă şi Tehnică“, cea mai cunoscută şi longevivă publicaţie de popularizare a ştiintelor din România
Leave a Reply