Google DeepMind telah mengeluarkan GenCast, model ramalan cuaca AI lanjutan yang mengatasi sistem tradisional dalam kedua-dua kelajuan dan ketepatan.
Diuji terhadap Sistem ENS Pusat Eropah untuk Ramalan Cuaca Julat Sederhana'(ECMWF), GenCast menyampaikan ramalan unggul dalam 97.2% senario yang dinilai, menetapkan standard baharu dalam meteorologi.
Dengan memanfaatkan pembelajaran mesin untuk menganalisis data sejarah berdekad-dekad, model ini menawarkan cerapan yang boleh diambil tindakan tentang cuaca ekstrem, perancangan tenaga boleh diperbaharui dan kesediaan menghadapi bencana.
“Cuaca pada asasnya menyentuh setiap aspek kehidupan kita… ia juga merupakan salah satu cabaran saintifik yang besar, meramalkan cuaca,” kata Ilan Price, seorang saintis penyelidikan kanan di DeepMind. “Google DeepMind mempunyai misi untuk memajukan AI untuk manfaat umat manusia Dan saya fikir ini adalah satu cara yang penting, satu sumbangan penting dalam bidang itu.”
Kuasa yang Belum pernah berlaku dalam Cuaca. Ramalan
Tidak seperti model berasaskan fizik tradisional yang mensimulasikan proses atmosfera menggunakan persamaan, GenCast menggunakan pembelajaran mesin untuk mengenal pasti corak dalam 40 tahun data cuaca global daripada Arkib ERA5 ECMWF.
Model inovasi terletak pada penggunaan algoritma resapan baharu, teknik AI generatif termaju yang memperhalusi data bising langkah demi-langkah untuk menghasilkan ramalan yang realistik.
Setiap ramalan menjangkau 15 hari dengan resolusi 0.25° latitud dan longitud, meliputi lebih 80 pembolehubah atmosfera dan permukaan, seperti kelajuan angin, suhu dan tekanan.
GenCast menggunakan ramalan ensemble, menghasilkan 50 atau lebih kemungkinan senario cuaca untuk tempoh tertentu. Pendekatan ini menyumbang kepada ketidakpastian dan membantu pembuat keputusan lebih bersedia untuk pelbagai hasil.
Kecekapan GenCast tiada tandingannya. Ramalan ensemble 15 hari yang lengkap boleh dijana dalam hanya lapan minit menggunakan satu Google Cloud TPU v5. Sebaliknya, sistem tradisional seperti ENS bergantung pada superkomputer, mengambil masa berjam-jam untuk menghasilkan ramalan skop yang serupa.
Sumber: alam semula jadi
Fokus pada Peristiwa Cuaca Ekstrem
Keupayaan GenCast untuk meramal cuaca melampau telah muncul sebagai ciri penentu. Semasa penilaian, model itu cemerlang dalam meramalkan trajektori Taufan Hagibis pada 2019, tujuh hari sebelum ia mendarat di Jepun.
Ketika ribut semakin menghampiri, kumpulan GenCast mengecilkan laluan yang diramalkan dengan ketara, menyediakan responden kecemasan dan penggubal dasar dengan data yang boleh diambil tindakan.
Visualisasi ini menggambarkan prestasi GenCast dalam meramalkan Taufan Hagibis, menunjukkan analisis kelembapan khusus pada 700 hPa sahaja sebelum pendaratan di Jepun (ERA5) dan ramalan GenCast yang sepadan. Ramalan satu hari (b-d) mengekalkan ketepatan yang tajam, manakala ensembel bermaksud (e) menunjukkan kekaburan disebabkan ketidakpastian. Untuk ramalan yang dimulakan 15 hari lebih awal (h-m), GenCast kekal lebih tajam daripada versi terganggunya (l), walaupun bermakna ensemble (k) lebih kabur pada masa pendahuluan yang lebih lama. Plot trajektori (n-q) menyerlahkan keupayaan GenCast untuk mengecilkan ketidakpastian semasa ribut menghampiri, menawarkan cerapan yang boleh diambil tindakan dengan mengurangkan ralat kedudukan berbanding model tradisional. — Sumber: alam semula jadi
Kemajuan sedemikian menawarkan potensi menyelamatkan nyawa. Dengan memberikan amaran tambahan selama 12 jam untuk taufan berbanding sistem tradisional, GenCast menyediakan masa kritikal untuk melaksanakan pemindahan dan melindungi sumber.
Selain siklon, GenCast menunjukkan prestasi yang kukuh dalam meramalkan haba melampau, sejuk dan kelajuan angin yang tinggi. Keupayaannya untuk menjangka peristiwa sedemikian dengan tepat membantu mengurangkan risiko merentas pelbagai sektor, daripada keselamatan awam kepada infrastruktur tenaga.
Implikasi untuk Sains Iklim
Salah satu GenCast yang menjanjikan aplikasi terletak pada tenaga boleh diperbaharui. Dengan mempertingkatkan ramalan kuasa angin, model ini membantu pengendali grid dalam mengimbangi bekalan dan permintaan dengan lebih berkesan.
Ramalan yang tepat membolehkan penyepaduan yang lebih baik bagi sumber boleh diperbaharui ke dalam grid tenaga, mengurangkan pergantungan pada bahan api fosil dan menyokong usaha penyahkarbonan global.
GenCast juga mempunyai potensi aplikasi dalam pemodelan iklim, di mana ketepatan ramalannya boleh memberikan cerapan tentang arah aliran jangka panjang dan kebolehubahan.
Keupayaan ini penting untuk menangani cabaran seperti perancangan pertanian, pengurusan sumber air dan daya tahan infrastruktur bandar.
Kerjasama dan Akses Terbuka
Keputusan DeepMind untuk menjadikan GenCast sebagai alat akses terbuka kedua-duanya dengan diterbitkan kod dan berat, mencerminkan komitmennya terhadap inovasi kolaboratif. Kod, berat dan ramalan model tersedia untuk penyelidik, ahli meteorologi dan organisasi yang bekerja dalam tindak balas bencana, keselamatan makanan dan penyesuaian iklim.
Keterbukaan ini bertujuan untuk mempercepatkan penemuan saintifik dan mengembangkan dunia sebenar model impak.
DeepMind menekankan kepentingan menggabungkan AI dengan kaedah meteorologi tradisional untuk meningkatkan ramalan dan menangani keperluan masyarakat dengan lebih baik.
GenCast melengkapkan inisiatif AI lain oleh Google, termasuk NeuralGCM, SEEDS dan model ramalan banjir. Alat ini secara kolektif meningkatkan perkhidmatan seperti Peta dan Carian Google, memberikan pengguna maklumat yang tepat pada masanya dan boleh dipercayai semasa kejadian cuaca ekstrem.
Cabaran dan Hala Tuju Masa Depan
Walaupun ia kekuatan, GenCast menghadapi kawasan untuk pertumbuhan. Resolusi 0.25°nya, walaupun tepat, kurang daripada resolusi 0.1° yang dicapai oleh model ENS terkini. Penskalaan kepada resolusi yang lebih tinggi boleh membuka kunci ketepatan yang lebih besar, terutamanya untuk ramalan setempat.
Cabaran lain terletak pada penyepaduan model AI seperti GenCast dengan sistem meteorologi tradisional. Model berasaskan fizik menyediakan data latihan penting dan syarat permulaan untuk sistem AI, menekankan kepentingan mengekalkan kedua-dua pendekatan untuk ekosistem ramalan yang seimbang dan komprehensif.
Apabila kejadian cuaca ekstrem semakin kerap dan teruk, alatan seperti GenCast ditetapkan untuk memainkan peranan penting dalam meningkatkan kesediaan dan daya tahan merentas industri dan komuniti di seluruh dunia.
