WeatherNext: Google AI uzlabo viesuļvētru prognozes

Piecus dienas pirms viesuļvētras Melissa pieskaršanās Jamaikai viena prognoze brīdināja par krasu pastiprināšanos: tuvojas 5. kategorijas vētra, lai gan tajā brīdī Melissa bija 1. kategorijas. Meteorologi bija sašķēlušies. Modelis gan nē.

Šis modelis ir WeatherNext, Google DeepMind un Google Research sadarbības projekts, izstrādāts ar starptautisku institūciju, tostarp ASV Nacionālā viesuļvētru centra un Lielbritānijas Met Office, ieguldījumu. Tas tika publicēts kā atvērtā koda programmatūra, apmācīta uz gandrīz 20 terabaitu globālajiem atmosfēras datiem un gadu desmitu arhivētiem klimata ierakstiem no starptautiskiem repozitorijiem. Rezultāts ir mākslīgā intelekta sistēma, kas traktē ciklona trajektoriju un tā spēku kā vienotu, saistītu mīklu.

Kāpēc tas ir svarīgi? Jo parasti vētras trajektorijas un intensitātes prognozes veic atsevišķas komandas, izmantojot dažādus modeļus. Vieni analizē planētas mēroga vēju lauku, lai noteiktu ceļu. Citi pietuvina vētras aci, lai modelētu termodinamiku un maza mēroga procesus. Abu pieeju apvienošana ilgu laiku bija sarežģīts izaicinājums. WeatherNext tās sapludina.

Praktiskais ieguvums ir tūlītējs. Uz Google neironu apstrādes aparatūras pilna 15 dienu prognoze tiek izveidota zem 60 sekundēm. Tāds ātrs apgriešanās laiks padara iespējamu lielu ansambļu ģenerēšanu, nevis vienu deterministisku iznākumu, bet simtiem vai tūkstošiem ticamu scenāriju, un to pārveidošanu par varbūtiskām bīstamības kartēm, uz kurām var rīkoties krīzes vadītāji.

WeatherNext nesolās sniegt pilnīgu noteiktību. Tas nomaina noteiktības ilūziju ar iespēju spektru. Tas ir apzināti. Lai ierobežotu tauriņa efektu, kad sīkas mērījumu kļūdas var izaugt par lielām atšķirībām prognozēs, modelis tagad ģenerē līdz 1000 vienlaicīgiem scenārijiem katrai vētrai. Tas ir dramatisks kāpums salīdzinājumā ar pagājušā gada aptuveni 50 scenāriju ansambļiem un maina to, kā prognozētāji interpretē risku.

Papildu diena uzticamas brīdināšanas nav abstrakta: tā sniedz laiku evakuācijām, loģistikai un dzīvības glābjošiem lēmumiem.

Operatīvās pārbaudes rāda spilgtu ainu. Melissa gadījumā, kad tradicionālās sistēmas neatbilda par trajektoriju, WeatherNext ar aptuveni 80% ticamību prognozēja, ka ciklons pastiprināsies un daudzas dienas pirms pieskaršanās skars Jamaiku kā smaga vētra. Šāda agrīna un integrēta prognoze pārvērš nenoteiktību rīcībspējīgā plānošanā.

Ir tehniskas nianses. Modelis apvieno globāla mēroga dinamisko kontekstu ar lokāla mēroga intensitātes ietekmētājiem, izmantojot mašīnmācīšanās arhitektūras, kas optimizētas uz plašiem vēsturiskajiem ierakstiem. Tas rada varbūtiskus sadalījumus gan pozīcijai, gan intensitātei, ļaujot prognozētājiem novērtēt ne tikai to, kur vētra varētu doties, bet arī cik vardarbīga tā varētu būt, kad tur nonāks.

Izdevēji un recenzenti to ir pamanījuši: pētījums publicēts žurnālā Nature, un komanda ir publiskojusi modeļa kodu un svarus GitHub, aicinot neatkarīgu validāciju un operatīvas eksperimentēšanas iespējas valstu meteoroloģiskajām dienestiem, akadēmiskajiem grupējumiem un NVO. Šī atklātība var paātrināt uzlabojumus un veicināt reģionālu pielāgošanu tur, kur dati un vajadzības atšķiras.

Vai WeatherNext nomainīs tradicionālos modeļus? Ne vienā naktī. Skaitliskā laika prognozēšana joprojām veido pamatu lielākajai daļai prognožu. Taču šo pamatu savienojums ar AI darbinātiem ansambļiem un ātrumu maina darba gaitu. Krīzes plānotāji iegūst agrīnākus un niansētākus brīdinājumus. Zinātniekiem ir kopīga platforma, lai izpētītu kļūmju režīmus un aizspriedumus. Kopienas iegūst laiku, un dažkārt tieši tas ir atšķirība starp traucējumiem un katastrofu.

Sekojiet repozitorijam. Sekojiet prognozēm. Nākamā sezona parādīs, vai šīs mēroga, ātruma un varbūtiskās domāšanas kombinācija kļūs par jauno standartu ciklonu prognozēšanā.