مدل هوش مصنوعی برای پیشبینی سریعتر و دقیقتر آب و هوای جهانی
مدل پیشرفته هوش مصنوعی، پیش بینی آب و هوای 10 روزه را با دقت بی سابقه ای در کمتر از یک دقیقه ارائه می دهد. آب و هوا بر همه ما تأثیر می گذارد، چه بزرگ و چه کوچک. می تواند نحوه لباس پوشیدن ما را در صبح دیکته کند، انرژی سبز به ما بدهد و در بدترین حالت طوفانی ایجاد کند که می تواند جوامع را ویران کند. در دنیای آب و هوای بسیار شدید، پیش بینی های سریع و دقیق هرگز مهمتر از این نبوده است. در مقالهای که در Science منتشر شده است، GraphCast را معرفی میکنیم، یک مدل پیشرفته هوش مصنوعی که قادر است پیشبینیهای آب و هوای متوسط را با دقت بیسابقهای انجام دهد. GraphCast شرایط آب و هوایی را تا 10 روز قبل با دقت بیشتری و بسیار سریعتر از سیستم شبیهسازی آب و هوای استاندارد طلایی صنعت پیشبینی میکند - پیشبینی وضوح بالا (HRES)، تولید شده توسط مرکز اروپایی پیشبینیهای هوای متوسط (ECMWF).
GraphCast همچنین می تواند هشدارهای قبلی را در مورد رویدادهای شدید آب و هوایی ارائه دهد. این می تواند مسیر طوفان ها را با دقت زیادی در آینده پیش بینی کند، رودخانه های جوی مرتبط با خطر سیل را شناسایی کند و شروع دمای شدید را پیش بینی کند. این توانایی پتانسیل نجات جان افراد از طریق آمادگی بیشتر را دارد.
GraphCast در زمینه هوش مصنوعی برای پیشبینی آبوهوا، پیشبینیهای دقیقتر و کارآمدتر و راههایی برای حمایت از تصمیمگیریهای حیاتی برای نیازهای صنایع و جوامع ما باز میکند، گام مهمی برمیدارد. و با منبع باز کد مدل GraphCast، دانشمندان و پیشبینیکنندگان در سراسر جهان را قادر میسازیم تا از میلیاردها نفر در زندگی روزمره خود بهره ببرند. GraphCast در حال حاضر توسط آژانس های هواشناسی، از جمله ECMWF، که آزمایشی زنده از پیش بینی های مدل ما را در وب سایت خود اجرا می کند، استفاده می شود.
پیش بینی آب و هوا یکی از قدیمی ترین و چالش برانگیزترین تلاش های علمی است. پیشبینیهای دامنه متوسط برای حمایت از تصمیمگیریهای کلیدی در بخشها، از انرژیهای تجدیدپذیر گرفته تا لجستیک رویداد مهم هستند، اما انجام دقیق و کارآمد دشوار است.
پیشبینیها معمولاً بر پیشبینی عددی آب و هوا (NWP) تکیه میکنند، که با معادلات فیزیک بهدقت تعریفشده آغاز میشود، که سپس به الگوریتمهای رایانهای که روی ابررایانهها اجرا میشوند ترجمه میشوند. در حالی که این رویکرد سنتی یک پیروزی علم و مهندسی بوده است، طراحی معادلات و الگوریتمها زمانبر است و به تخصص عمیق و همچنین منابع محاسباتی پرهزینه برای پیشبینی دقیق نیاز دارد.
یادگیری عمیق رویکرد متفاوتی را ارائه می دهد: استفاده از داده ها به جای معادلات فیزیکی برای ایجاد یک سیستم پیش بینی آب و هوا. GraphCast بر روی دهها دادههای آب و هوای تاریخی آموزش داده شده است تا مدلی از روابط علت و معلولی را بیاموزد که چگونه آب و هوای زمین را از زمان حال به آینده کنترل میکند.
مهمتر از همه، GraphCast و رویکردهای سنتی دست به دست هم می دهند: ما GraphCast را بر روی چهار دهه داده های تجزیه و تحلیل مجدد آب و هوا، از مجموعه داده ERA5 ECMWF آموزش دادیم. این مجموعه بر اساس مشاهدات آب و هوای تاریخی مانند تصاویر ماهوارهای، رادار و ایستگاههای هواشناسی با استفاده از یک NWP سنتی برای «پر کردن جاهای خالی» در جایی که مشاهدات ناقص هستند، برای بازسازی یک رکورد غنی از آبوهوای تاریخی جهانی است.
GraphCast یک سیستم پیشبینی آب و هوا است که مبتنی بر یادگیری ماشین و شبکههای عصبی نمودار (GNNs) است، که معماری بسیار مفیدی برای پردازش دادههای ساختار یافته فضایی هستند.
GraphCast پیش بینی هایی را با وضوح بالای 0.25 درجه طول و عرض جغرافیایی (28 کیلومتر در 28 کیلومتر در خط استوا) انجام می دهد. این بیش از یک میلیون نقطه شبکه است که کل سطح زمین را می پوشاند. در هر نقطه شبکه، مدل پنج متغیر سطح زمین - از جمله دما، سرعت و جهت باد، و فشار متوسط سطح دریا - و شش متغیر جوی را در هر یک از 37 سطح ارتفاع، از جمله رطوبت خاص، سرعت و جهت باد، و درجه حرارت.
در حالی که آموزش GraphCast از نظر محاسباتی فشرده بود، مدل پیشبینی حاصل بسیار کارآمد است. پیشبینیهای 10 روزه با GraphCast در یک دستگاه Google TPU v4 کمتر از یک دقیقه طول میکشد. برای مقایسه، یک پیشبینی 10 روزه با استفاده از یک رویکرد مرسوم، مانند HRES، میتواند ساعتها در یک ابررایانه با صدها ماشین محاسبه شود.
در یک ارزیابی عملکرد جامع در برابر سیستم قطعی استاندارد، HRES، GraphCast پیشبینیهای دقیقتری را در مورد بیش از 90 درصد از متغیرهای آزمایشی و زمانهای پیشبینی ارائه کرد. هنگامی که ارزیابی را به تروپوسفر محدود کردیم، منطقه اتمسفر با ارتفاع 6 تا 20 کیلومتر که نزدیکترین سطح زمین به سطح زمین است، جایی که پیشبینی دقیق از اهمیت بیشتری برخوردار است.
مدل ما در 99.7 درصد از متغیرهای تست برای آب و هوای آینده عملکرد بهتری از HRES داشت.
برای ورودی ها، GraphCast فقط به دو مجموعه داده نیاز دارد: وضعیت آب و هوا در 6 ساعت قبل و وضعیت فعلی آب و هوا. سپس مدل آب و هوا را در 6 ساعت آینده پیش بینی می کند. سپس میتوان این فرآیند را در 6 ساعت افزایش داد تا پیشبینیهای پیشرفته را تا 10 روز ارائه کند.
تحلیلهای ما نشان داد که GraphCast همچنین میتواند رویدادهای آب و هوایی شدید را زودتر از مدلهای پیشبینی سنتی شناسایی کند، علیرغم اینکه برای جستجوی آنها آموزش ندیده است. این نمونه بارز این است که چگونه GraphCast می تواند به آمادگی برای نجات جان انسان ها و کاهش تاثیر طوفان ها و آب و هوای شدید بر جوامع کمک کند.
با اعمال یک ردیاب طوفان ساده به طور مستقیم بر روی پیش بینی های GraphCast، می توانیم حرکت طوفان را با دقت بیشتری نسبت به مدل HRES پیش بینی کنیم. در ماه سپتامبر، یک نسخه زنده از مدل GraphCast در دسترس عموم، که در وبسایت ECMWF مستقر شد، حدود ۹ روز قبل بهطور دقیق پیشبینی کرد که طوفان لی به نوا اسکوشیا خواهد رسید. در مقابل، پیشبینیهای سنتی تنوع بیشتری در مکان و زمان وقوع سقوط داشتند، و فقط شش روز قبل در نوا اسکوشیا قفل شدند.
GraphCast همچنین می تواند رودخانه های جوی را مشخص کند - مناطق باریک جو که بیشتر بخار آب را به خارج از مناطق استوایی منتقل می کند. شدت یک رودخانه جوی می تواند نشان دهد که آیا باران مفیدی را به همراه خواهد داشت یا سیل سیل زا. پیشبینیهای GraphCast میتواند به توصیف رودخانههای جوی کمک کند، که میتواند به برنامهریزی واکنشهای اضطراری همراه با مدلهای هوش مصنوعی برای پیشبینی سیل کمک کند.
در نهایت، پیشبینی دمای شدید در جهان در حال گرم شدن ما اهمیت فزایندهای دارد. GraphCast می تواند زمانی را مشخص کند که گرما قرار است بالاتر از دمای بالای تاریخی برای هر مکان مشخصی از زمین باشد. این به ویژه در پیش بینی امواج گرما، رویدادهای مخرب و خطرناک که به طور فزاینده ای رایج می شوند مفید است.
GraphCast اکنون دقیق ترین سیستم پیش بینی آب و هوای جهانی 10 روزه در جهان است و می تواند رویدادهای شدید آب و هوایی را در آینده بیشتر از آنچه قبلا ممکن بود پیش بینی کند. همانطور که الگوهای آب و هوا در یک آب و هوا در حال تغییر تکامل مییابند، GraphCast با در دسترس قرار گرفتن دادههای با کیفیت بالاتر تکامل و بهبود مییابد.
برای اینکه پیشبینی آبوهوای مبتنی بر هوش مصنوعی را در دسترستر کنیم، کد مدل خود را منبع باز کردهایم. ECMWF هماکنون در حال آزمایش پیشبینیهای 10 روزه GraphCast است و ما هیجانزدهایم که فرصتهایی را برای محققان باز میکند – از طراحی مدل برای پدیدههای آبوهوای خاص گرفته تا بهینهسازی آن برای نقاط مختلف جهان.
GraphCast به دیگر سیستمهای پیشبینی آبوهوای پیشرفته Google DeepMind و Google Research میپیوندد، از جمله یک مدل Nowcasting منطقهای که پیشبینیهایی را تا 90 دقیقه پیشبینی میکند، و MetNet-3، یک مدل پیشبینی آبوهوای منطقهای که در حال حاضر در سراسر ایالات متحده در حال کار است. و اروپا که پیش بینی های 24 ساعته دقیق تری از هر سیستم دیگری تولید می کند.
پیشگامی در استفاده از هوش مصنوعی در پیش بینی آب و هوا برای میلیاردها نفر در زندگی روزمره آنها مفید خواهد بود. اما تحقیقات گستردهتر ما فقط در مورد پیشبینی آب و هوا نیست - بلکه در مورد درک الگوهای گستردهتر آب و هوا است. با توسعه ابزارهای جدید و تسریع تحقیقات، امیدواریم هوش مصنوعی بتواند جامعه جهانی را برای مقابله با بزرگترین چالش های زیست محیطی ما توانمند کند.
شناسه تلگرام مدیر سایت: SubBasin@
نشانی ایمیل: behzadsarhadi@gmail.com
(سوالات تخصصی را در گروه تلگرام ارسال کنید)
_______________________________________________________
نظرات (۰)