Het nieuwe AI-weermodel van Europa is sneller, slimmer en gratis: dit moet u weten

Het Europees Centrum voor Weersvoorspellingen op de Middellange Termijn (ECMWF) heeft onlangs een op AI gebaseerd voorspellingsmodel gelanceerd. Volgens het centrum presteert dit model tot wel 20% beter dan de modernste op natuurkunde gebaseerde modellen.

Het model wordt het Artificial Intelligence Forecasting System (AIFS) genoemd. Volgens een ECMWF-release werkt het nieuwe model sneller dan op fysica gebaseerde modellen en kost het ongeveer 1.000 keer minder energie om een ​​voorspelling te doen.

De ECMWF, nu in zijn 50e jaar van operatie, produceerde ENS, een van 's werelds toonaangevende middellange termijn weersvoorspellingsmodellen. Middellange termijn voorspellingen omvatten weersvoorspellingen die tussen drie dagen en 15 dagen van tevoren worden gedaan, maar ECMWF voorspelt ook weer tot een jaar vooruit. Weersvoorspellingsmodellen zijn essentieel voor staten en lokale overheden om voorbereid te blijven op extreme weersomstandigheden, evenals voor meer dagelijkse behoeften, zoals weten hoe het weer zal zijn op uw aanstaande vakantie.

Traditionele weersvoorspellingsmodellen maken voorspellingen door natuurkundige vergelijkingen op te lossen. Een beperking van deze modellen is dat ze benaderingen zijn van atmosferische dynamiek. Een aantrekkelijk aspect van AI-gestuurde modellen is dat ze complexere relaties en dynamiek in weerpatronen rechtstreeks uit de data kunnen leren, in plaats van alleen te vertrouwen op eerder bekende en gedocumenteerde vergelijkingen.

De aankondiging van de ECMWF volgt op het GenCast-model van Google DeepMind voor AI-gestuurde weersvoorspelling, de volgende iteratie van Google's weersvoorspellingssoftware die NeuralGCM en GraphCast omvat. GenCast presteerde beter dan ENS , het toonaangevende weersvoorspellingsmodel van de ECMWF, op 97,2% van de doelen over verschillende weersvariabelen. Met doorlooptijden van meer dan 36 uur was GenCast nauwkeuriger dan ENS op 99,8% van de doelen.

Maar het Europees Centrum innoveert ook. De lancering van AIFS-single is slechts de eerste operationele versie van het systeem.

"Dit is een enorme onderneming die ervoor zorgt dat de modellen stabiel en betrouwbaar draaien", aldus Florian Pappenberger, Director of Forecasts and Services bij ECMWF, in de middelste release. "Op dit moment is de resolutie van de AIFS lager dan die van ons model (IFS), dat een resolutie van 9 km [5,6 mijl] bereikt met behulp van een op fysica gebaseerde aanpak."

"Wij zien de AIFS en IFS als complementair en als onderdeel van het aanbieden van een scala aan producten aan onze gebruikersgemeenschap, die zelf kan bepalen wat het beste bij hun behoeften past", voegde Pappenberger toe.

Het team gaat onderzoeken hoe datagestuurde en op natuurkunde gebaseerde modellen kunnen worden gecombineerd om de organisatie beter in staat te stellen het weer nauwkeurig te voorspellen.

"Op fysica gebaseerde modellen zijn essentieel voor het huidige data-assimilatieproces", aldus Matthew Chantry, Strategic Lead for Machine Learning bij ECMWF en Head of the Innovation Platform, in een e-mail aan Gizmodo. "Ditzelfde data-assimilatieproces is ook essentieel om alledaagse machine learning-modellen te initialiseren en ze in staat te stellen voorspellingen te doen."

"Een van de volgende grenzen voor machinaal lerende weersvoorspellingen is deze stap van data-assimilatie. Als deze stap wordt opgelost, zou dit betekenen dat de volledige weersvoorspellingsketen op machinaal leren zou kunnen worden gebaseerd", voegde Chantry toe.

Chantry is medeauteur van een studie die wacht op peer review en waarin een datagestuurd, end-to-end voorspellingssysteem wordt beschreven dat niet afhankelijk is van op natuurkunde gebaseerde heranalyse.

Het systeem, dat GraphDOP heet, gebruikt waarneembare grootheden zoals helderheidstemperaturen van polaire orbiters “om een ​​coherente latente representatie te vormen van de dynamiek van de toestand van het aardsysteem en fysieke processen”, schreef het team, “en is in staat om bekwame voorspellingen te doen van relevante weerparameters tot vijf dagen in de toekomst.”

Integratie van kunstmatige intelligentiemethoden met natuurkundegestuurde weersvoorspellingsmodellen is een veelbelovende manier om nauwkeuriger te voorspellen. Tests tot nu toe geven aan dat AI-gestuurde voorspellingen historische modellen kunnen overtreffen, maar tot nu toe vertrouwden die modellen op heranalysegegevens. Observaties op de grond waren essentieel voor het trainen van de modellen en het valt nog te bezien hoe indrukwekkend de voorspellingsmogelijkheden van de technologie zullen zijn als deze gedwongen wordt om off-script te gaan.