F. Christopher Burns on Unsplash.

Written by 14:53 Nauka, Technologie

Numeryczne modele pogody AI w służbie meteorologicznej IMGW-PIB. Pierwsze kroki

Bogdan Bochenek
IMGW-PIB/Centrum Modelowania Meteorologicznego

Wykorzystanie metod uczenia maszynowego może zmienić reguły gry w zakresie tradycyjnego numerycznego prognozowania pogody, którego postęp w dużej mierze ogranicza koszt obliczeniowy wynikający ze zwiększania rozdzielczości modelu i liczby elementów w zespołach modeli wiązkowych. Wraz z rozwojem metod sztucznej inteligencji pojawiają się nowe generacje modeli, które wykorzystują wysokiej jakości dane z reanalizy w procesie tzw. uczenia modelu i umożliwiają tworzenie konkurencyjnych pod względem dokładności prognoz przy znacznie niższych kosztach. W 2023 roku naukowcy z Centrum Modelowania Meteorologicznego IMGW-PIB przeprowadzili implementację i testy dwóch zaawansowanych modeli AI – FourCastNet i Pangu-Weather. Analizy wykazały, że oba modele mogą znacząco poprawić jakość i szybkość prognozowania pogody.

FourCastNet (Fourier Forecasting Neural Network) to model oparty na wieloletnich danych, który zapewnia globalne prognozy krótko- i średnioterminowe z rozdzielczością 0,25°. Umożliwia on obecnie opracowywanie takich charakterystyk jak: prędkość wiatru na poziomie 10 m, opad, geopotencjał, temperatura i zawartość pary wodnej w atmosferze. FourCastNet dokładnością prognoz krótkoterminowych dla zmiennych wielkoskalowych dorównuje modelowi IFS ECMWF, jednemu z najnowocześniejszych modeli numerycznych pogody, a jednocześnie przewyższa IFS w przypadku zmiennych ze złożonymi strukturami uwzględniającymi opady. Największą zaletą FourCastNet jest fakt, że generuje on tygodniową prognozę w czasie krótszym niż 2 sekundy, tj. o rząd wielkości szybciej niż IFS. To pozwala na tworzenie szybkich i niedrogich, w sensie czasu symulacji, prognoz wiązkowych w celu poprawy prognozowania probabilistycznego. Innowacyjnym rozwiązaniem w przypadku modelu FourCastNet jest wprowadzenie elementu losowego do obliczeń, czego nie oferują klasyczne modele.

Pangu-Weather, to kolejny globalny model pogody oparty na głębokim uczeniu maszynowym, który został opracowanym przez firmę Huawei Cloud. Podobnie jak FourCastNet, wykorzystuje on wyniki z modelu globalnego ERA5, oferując szeroką gamę scenariuszy prognoz, w tym prognozy ekstremalnych warunków pogodowych (np. śledzenie cyklonów tropikalnych) i prognozy wiązkowe w czasie rzeczywistym. Badania przeprowadzone przez Huawei Cloud i ECMWF pokazały, że modele oparte na sztucznej inteligencji – takie jak Pangu-Weather – przewyższają najnowocześniejsze metody numerycznego prognozowania pogody (NWP) pod względem dokładności wszystkich prognozowanych parametrów (np. geopotencjału, wilgotności właściwej, prędkości wiatru, temperatury) i we wszystkich przedziałach czasowych (od jednej godziny do jednego tygodnia). To otwiera kierunki do udoskonalania systemów prognoz pogody wykorzystujących głębokie uczenie się w modelach globalnych, jak również wskazuje na możliwość łączenia ich z tradycyjnymi modelami pogody deterministycznymi i probabilistycznymi.

Badania prowadzone przez zespół naukowców z Centrum Modelowania Meteorologicznego IMGW-PIB obejmowały dwa etapy: implementację modeli FourCastNet i Pangu-Weather na superkomputerach Ares oraz Athena i sprawdzenie ich działania na danych testowych, a następnie modyfikacje w kodach źródłowych modeli pozwalające na adaptację do pracy z aktualnymi wynikami modelu ERA5 z repozytorium Copernicus, co umożliwiło symulowanie prognoz operacyjnych.

W ramach przeprowadzonych eksperymentów numerycznych uzyskano średnie prognozy niemal identyczne, jak w przypadku klasycznych modeli deterministycznych. Odchylenie standardowe było większe, co pozwala na wykrycie potencjalnych zdarzeń ekstremalnych przy znacznie mniejszym zapotrzebowaniu na moce obliczeniowe. Czas obliczeń – zarówno na danych testowych, jak i aktualizowanych – był bardzo krótki i nie przekraczał kilku minut pracy na jednym węźle superkomputera. To pokazuje, że model można uruchomić nawet na niedużym serwerze lub stacji roboczej, jeśli mamy przygotowany zbiór uczący. Wykorzystanie superkomputera było uzasadnione przy ponownym treningu modelu na bardziej lokalnych danych.

Nowy sposób generowania prognoz wiązkowych (u góry) w porównaniu do klasycznego podejścia (na dole). Wizualizacja koncepcyjna na losowo wygenerowanych danych.
Nowy sposób generowania prognoz wiązkowych (u góry) w porównaniu do klasycznego podejścia (na dole). Wizualizacja koncepcyjna na losowo wygenerowanych danych.
Odchylenie standardowe pól meteorologicznych prognozowanych przez model FourCastNet (https://github.com/NVlabs/FourCastNet) po 9 krokach czasowych (48 godzin prognozy) dla klasycznej pro-gnozy wiązkowej (ENS) i proponowanej z iteracyjnego perturbowania każdego z otrzymanych wyników (STO).
Odchylenie standardowe pól meteorologicznych prognozowanych przez model FourCastNet (https://github.com/NVlabs/FourCastNet) po 9 krokach czasowych (48 godzin prognozy) dla klasycznej pro-gnozy wiązkowej (ENS) i proponowanej z iteracyjnego perturbowania każdego z otrzymanych wyników (STO).
 Przykład prognozy opracowanej przez naukowców z Centrum Modelowania Meteorologicznego IMGW-PIB z wykorzystaniem modelu FourCastNet  temperatura na poziomie 2 metrów. Mapa prezentuje średnią  z 256 elementów wiązki modelu. Start prognozy modelu 2018-01-01 godzina 00:00 UTC.
Przykład prognozy opracowanej przez naukowców z Centrum Modelowania Meteorologicznego IMGW-PIB z wykorzystaniem modelu FourCastNet temperatura na poziomie 2 metrów. Mapa prezentuje średnią z 256 elementów wiązki modelu. Start prognozy modelu 2018-01-01 godzina 00:00 UTC.

Wdrożenie modeli FourCastNet i Pangu-Weather w IMGW-PIB to krok milowy w wykorzystaniu sztucznej inteligencji do prognozowania numerycznego pogody, który można nazwać „cichą rewolucją”. Innowacje te nie tylko przyspieszają obliczenia, ale również oferują nowe metody analizy danych, otwierając drogę do bardziej precyzyjnych i wiarygodnych prognoz. Oczekuje się, że dalszy rozwój i dostosowanie tych narzędzi pozwolą na jeszcze lepsze zrozumienie i przewidywanie zjawisk meteorologicznych w Polsce i na świecie.


Bi K., Xie L., Zhang H., Chen X., Gu X., Tian Q., 2022, Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast, https://doi.org/10.48550/arXiv.2211.02556.
Pathak J., Subramanian S., Harrington P., Raja S., Chattopadhyay A., Mardani M., Kurth T., Hall D., Li Z., Azizzadenesheli K., Hassanzadeh P., Kashinath K., Anandkumar A., 2022, FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators, https://doi.org/10.48550/arXiv.2202.11214.

Zdjęcie główne: Christopher Burns | Unsplash.

(Visited 992 times, 1 visits today)
Tagi: , , , , , Last modified: 14 lutego 2024
Close