Avrupa Orta Menzilli Hava Tahminleri Merkezi (ECMWF), merkezin son teknoloji ürünü fizik tabanlı modellerden%20’ye kadar daha iyi performans gösterdiğini söyleyen AI destekli bir tahmin modeli başlattı.
Model yapay zeka tahmin sistemi (AIFS) olarak adlandırılır. Bir ECMWF sürümüne göre, yeni model fizik tabanlı modellerden daha hızlı hızlarda çalışıyor ve tahmin yapmak için yaklaşık 1000 kat daha az enerji alıyor.
Şimdi 50. operasyon yılında ECMWF, dünyanın önde gelen orta menzilli hava tahmin modellerinden biri olan ENS’i üretti. Orta menzilli tahmin Üç gün ile 15 gün önceden yapılan hava tahminlerini içerir, ancak ECMWF ayrıca bir yıla kadar hava durumu tahmin eder. Hava tahmini modelleri, eyaletlerin ve yerel yönetimlerin aşırı hava etkinlikleri için hazırlıklı kalmaları için gereklidir – ayrıca yaklaşan tatilinizde havanın nasıl olacağını bilmek gibi daha fazla günlük ihtiyaç.
Geleneksel hava tahmin modelleri fizik denklemlerini çözerek tahminler yapar. Bu modellerin bir sınırlaması, atmosferik dinamiklerin yaklaşımlarıdır. Yapay zeka odaklı modellerin zorlayıcı bir yönü, sadece daha önce bilinen ve belgelenmiş denklemlere güvenmek yerine, hava modellerinde doğrudan verilerden daha karmaşık ilişkiler ve dinamikler öğrenebilmeleridir.
ECMWF’nin duyurusu, Google destekli hava durumu tahmini için Google DeepMind’in GENCAST modelinin topuklarında geliyor, Google’ın hava tahmin yazılımının bir sonraki yinelemesi, Nevralgcm ve grafik. Gençast daha iyi performans gösterdi SahaECMWF’nin önde gelen hava tahmini modeli, farklı hava değişkenlerindeki hedeflerin% 97,2’sinde. 36 saatten fazla teslim süresi ile Gencast, hedeflerin% 99,8’inde ENS’den daha doğruydu.
Ancak Avrupa Merkezi de yenilik yapıyor. AIFS-Single’nin lansmanı sistemin ilk operasyonel sürümüdür.
ECMWF Tahminler ve Hizmetler Direktörü Florian Pappenberger, “Bu, modellerin istikrarlı ve güvenilir bir şekilde çalışmasını sağlayan büyük bir çaba” dedi. “Şu anda AIF’lerin çözünürlüğü, 9 km elde eden modelimizden (IFS) daha azdır. [5.6-mile] Fizik tabanlı bir yaklaşım kullanarak çözünürlük. ”
Pappenberger, “AIF’leri ve IF’leri tamamlayıcı olarak görüyoruz ve ihtiyaçlarına en uygun neyin uygun olduğuna karar veren kullanıcı topluluğumuza bir dizi ürün sağlamanın bir parçası” dedi.
Ekip, kuruluşun havayı hassasiyetle tahmin etme yeteneğini geliştirmek için hibridize edici veri güdümlü ve fizik tabanlı modellemeyi keşfedecek.
ECMWF’de makine öğrenimi için stratejik lider olan ve inovasyon platformunun başkanı Gizmodo’ya e-postayla “Fizik tabanlı modeller mevcut veri asimilasyon sürecinin anahtarıdır” dedi. “Aynı veri asimilasyon süreci, her gün makine öğrenme modellerini başlatmak ve tahminler yapmalarına izin vermek için de hayati önem taşıyor.”
Chantry, “Makine öğrenimi hava tahmini için bir sonraki sınırlardan biri, çözülürse tam hava tahmin zincirinin makine öğrenimine dayanabileceği anlamına gelen bu veri asimilasyon adımıdır” diye ekledi.
Chantry, fizik tabanlı reanalize dayanmayan veriye dayalı, uçtan uca tahmin sistemini tanımlayan hakem incelemesini bekleyen bir çalışmanın ortak yazarıdır.
GraphDop olarak adlandırılan sistem, Polar yörüngelerinden “Dünya sistemi durum dinamiklerinin ve fiziksel süreçlerin tutarlı bir gizli temsilini oluşturmak için” parlaklık sıcaklıkları gibi gözlemlenebilir miktarları kullanır. Gelecekte beş gün. “
Yapay zeka yöntemlerinin fizik güdümlü hava tahmini modellemesiyle entegre edilmesi, daha kesin tahmin için umut verici bir mekandır. Bugüne kadar yapılan testler, yapay zeka destekli tahminlerin tarihsel modellerden daha iyi performans gösterebileceğini göstermektedir, ancak şimdiye kadar bu modeller reanaliz verilerine dayanmaktadır. Yerdeki gözlemler, modelleri eğitmek için şarttı ve teknolojinin tahmin yeteneklerinin senaryodan çıkmaya zorlandığında ne kadar etkileyici olacağı görülüyor.
