Pogoda zaskoczyła... przewidywalnością
Klimat się zmienia. Więcej energii w atmosferze zwiększa jej temperament. Pogoda staje się coraz bardziej nieprzewidywalna, a przy tym i ekstremalna. Oczywistym jest, że znajomość pogody pomaga. Planujemy wakacje, organizujemy eventy, podlewamy uprawy, zabezpieczamy sprzęt, budujemy konstrukcje, ale także latamy samolotami, jeździmy samochodami dostawczymi itp. Znając pogodę jesteśmy bardziej adaptywni, planujemy świadomie, wyceniamy precyzyjniej ryzyko itd.. Przyjrzyjmy się dzisiaj najnowszemu trendowi zastosowania sztucznej inteligencji (statystyki) w przewidywaniu pogody. Spoiler: wyniki są bardzo obiecujące, a to dopiero początek!
Modelowanie pogody jest wyzwaniem. Pogoda to zjawisko 3D, składające się z potężnej ilości cząsteczek rozłożonych na całej planecie, w wodzie, na lądzie i w powietrzu. Pogoda jest podatna na efekt motyla, innymi słowy pogoda jest procesem chaotycznym, drobne zmiany w położeniu cząsteczek zmieniają drastycznie trajektorię jej rozwoju. W przeszłości fizycy starali się wprost opisać interakcje cząsteczek, przepływ energii w modelach takich jak GCM. Rozwijali determinisyczne układy równań różniczkowych cząstkowych. Niestety cierpią one ze względu na obliczenniochłonność, która rośnie niekorzystnie wraz ze zwiększaniem szczegółowości/rozdzielczości/granulacji danych. Są także wrażliwe na założone warunki początkowe (efekt motyla) i explicite spisane formuły (co może też być ich zaletą w przypadku prawidłowych formuł). Rezultaty obserwujemy obecnie. Nowym podejściem jest wykorzystanie narzędzi stochastycznych. Nauczenie się poprzez narzędzia sztucznej inteligencji wzorców pogody.
Lucy Harris, Andrew McRae, Tim Palmer (Oxford) i Matthew Chantry, Peter Deuben (Europejskie Centrum Średnio-terminowych Przewidywań Pogody) postanowili zająć się problemem ograniczenia rozdzielczości prognoz (2022). Ze względu na obliczeniochłonność, tradycyjne modele mogą korzystać jedynie ograniczonej szczegółowości, czyli z uśrednionych wartości parametrów pogodowych na większych obszarach. Taka sama cecha jakościowa danych wejściowych charakteryzuje też i dane wyjściowe, prognozy. Gdyby spojrzeć na mapy stworzone z przewidywań dotychczasowych modeli mialyby one niską rozdzielczość. Na otrzymanych z tradycyjnego modelu danych autorzy badania zastosowali techniki generatywnych sieci neuronowych (VAE/GAN) w celu poprawiania rozdzielczości prognoz. Podobne techniki stosowano dotychczas do poprawy rozdzielczości niewyraźnych zdjęć. Dzieki takiemu zabiegowi badacze otrzymywali przewidywania dla coraz to mniejszych obszarów geograficznych. Tym samym otrzymywali przewidywania dla coraz to mniejszych obszarów geograficznych. Udało im się poprawić przewidywania pogody o kilka procent.
Zespół badaczy z Microsofta Tung Nguyen, Johaness Brandstetter, Ashish Kapoor, Jayesh Gupta, Aditya Grover postanowili zająć się całym procesem przewidywania pogody (2023). Ponownie autorzy wykorzystali sieci neuronowe, tym razem opierając się jednak na uczeniu samo nadzorowanym łącząc informacje płynące z modeli fizycznych z bardziej efektywnymi obliczeniowo metodami statystycznymi. Ich metoda „ClimaX” pozwala łączyć dane pochodzące z różnych źródeł, są to między innymi informacje o sezonach, dane regionalne, globalne, krótko, średnio i długo terminowe. Model wymaga mniej mocy obliczeniowej, ma większą rozdzielczość i lepsze wyniki przewidywań od dotychczasowych propozycji, które modelują cały proces.
Duży zespół naukowców pod wodzą Shakira Mohameda z Wielkiej Brytanii zajął się problemem przewidywania spadku deszczu w ciągu najbliższych 5-90 minut. Badacze omijają modele fizyczne i przewidują miejsce i intensywność deszczu wprost z radarów (2021). W 89% przypadkach ich model najlepiej przewidywał fenomen pogodowy w porównaniu z dotychczasowymi metodami. Znów na usługach naukowców były sieci neuronowe.
Ze współpracy firm Deepmind z Google powstał model GraphCast (2022). Wykorzystuje on reprezentację atmosfery w 3D jako grafu. Następnie ich dane są przetwarzane przez graficzną sieć neuronową. Badacze skupili się na przewidywaniach pogody w średnim terminie (około 10 dni). Ich metoda pokonała poprzednie metody uczenia maszynowego w 99% przypadkach w tym problemie oraz w 90% jeden z tradycyjnych systemów. Przede wszystkim pozwala 35 GB danych przetworzyć w mniej niż minutę (na silnym komputerze). Aby święcić zwycięstwo modelu należy jednak porównać go z większą ilością tradycyjnych systemów oraz wziąć pod uwagę więcej własności pogody niż zostało to zrobione w artykule, co autorzy sami zauważają.
Podsumowując, najnowsze techniki uczenia maszynowego, z sieciami neuronowymi na czele, przedstawiają nową rzeczywistość przewidywania pogody. Proponowane modele zaczynają pokonywać te tradycyjne w wybranych zadaniach. Są bardziej automatyczne, potrzebują mniej mocy obliczeniowej, tym samym są szybsze, pozwalają łączyć różne źródła danych, polepszają szczegółowość prognoz. A to dopiero początek.