Nincs megállás a mesterséges intelligencia (AI) gyorsvonatán, a technológia most az időjárás-előrejelzés terén hozhat áttöréseket. Két, a fejlesztőik által szerdán a Nature folyóiratban bemutatott algoritmus különböző problémákat old meg: a Pangu-Weather egyhetes globális előrejelzést ad, míg a NowcastNet pár órával előre figyelmeztet a várható csapadékra és extrém időjárási eseményekre.

Pi Kaj-feng, a Huawei Cloud felhőalapú számítással foglalkozó kínai vállalat AI-kutatója és kollégái a Pangu-Weathert 39 évnyi globális időjárási adathalmazon tanították be. Azt állítják, ezzel felveszi a versenyt a világ legjobb numerikus időjárás-előrejelzési rendszerével, miközben akár tízezerszer is gyorsabb lehet azoknál. Csang Jü-csen, a pekingi Csinghua Egyetem kutatója és munkatársai – köztük a Kaliforniai Egyetemen (Berkeley) dolgozó Michael Jordan – a NowcastNettel az ultrarövid távú előrejelzésekre (nowcasting) fókuszálnak, ami szerintük kulcsfontosságú a klímaváltozással egyre gyakoribbá váló, extrém csapadékmennyiség által okozott időjárási katasztrófák társadalmi hatásainak mérséklésében.

„A Pangu-Weather módszerről azt gondolom, hogy van létjogosultsága. Vannak olyan paraméterek, amikre az eddigi eredmények alapján jó előrejelzést tud adni, viszont ezeket szisztematikusabban és részletesebben is meg kell vizsgálni” – kommentálta az eredményeket a Qubitnek Szépszó Gabriella, az Országos Meteorológiai Szolgálat (OMSZ) Modellezési Osztályának osztályvezető meteorológusa. A NowcastNet ultrarövid távú, néhány órás csapadék-előrejelzést adó algoritmus a kutató szerint a Pangu-Weatherhez hasonlóan hatékonyabb a mai módszereknél, ami a gyors lefolyású események előrejelzésénél különösen fontos. „Ez az alkalmazás, ha az eredmények is alátámasztják, hamarosan kiválthatja a jelenleg használt ultrarövid távú előrejelző módszereket” – mondta, azzal a kitétellel, hogy a rövid távú előrejelzést és mérést, ami az algoritmusnak bemeneti információt szolgáltat, nem tudja helyettesíteni.

Szépszó már több konferencián hallott a Pangu-Weatherről, amit a legpontosabb középtávú globális előrejelzést előállító Középtávú Időjárás Előrejelzések Európai Központja (ECMWF) is vizsgál már. A mély neurális hálózatokat alkalmazó algoritmus a múlt időjárását leképező reanalízis adatokon tanul, és ebből állít elő időjárás-előrejelzéseket. Ehhez a tanulmány szerzői az ECMWF tíz évvel ezelőtti modelljével készített, légköri és felszíni adatokat összegző ERA5 reanalízis adatbázist használták. „A Pangu-Weather előrejelzéseit összevetették az operatívan készülő ECMWF-előrejelzésekkel, és azok néhány tekintetben jobb eredményeket mutatnak” – foglalta össze a meteorológus az eredményeket.

Az elmúlt években több mesterségesintelligencia-alapú, videókártyák (GPU) számítási teljesítményét kiaknázó előrejelző modell látott napvilágot, köztük az Nvidia kutatóinak közreműködésével kidolgozott FourCastNet, ami egy globális, nagy felbontású időjárási modell. Pi Kaj-feng és kollégái szerint a kétdimenziós FourCastNettel ellentétben a háromdimenziós, a légkör különböző magasságait leképező modelljük nagyobb pontosságot képes elérni, ami nagyobb teljesítményű videókártya-klaszterekkel csak tovább növelhető.

Milyen korlátai vannak az új algoritmusoknak?

A kutató szerint a következőkben meg kell majd vizsgálni, hogy a módszer országos vagy regionális szinten mennyire hatékony, de az már most tudható, hogy aligha fogja kiváltani a klasszikus modellfejlesztést. Ez arra vezethető vissza, hogy egy hagyományos modell, mint amilyen az ECMWF globális numerikus időjárás-előrejelzési rendszere, az integrált előrejelzési rendszer (IFS), biztosítja a tanításához szükséges alapot. Ráadásul a valós modell-előrejelzés nem egy utólagos analízisből, hanem időben és térben szabálytalanul elhelyezett mérési adatokból szerzi be kezdeti feltételeit. Ez nem csak az előrejelző modellek futtatási ideje miatt tart sokáig (az ECMWF-nél 6 óránként készül egy analízis), hanem azért is, mert globális modelleknél 3 órát várnak a szakemberek a kezdeti feltételeket pontosító mérések beérkezésére. A numerikus modellekhez képest a Pangu-Weather a kutató szerint nem ír le a Föld-rendszerben fennálló fizikai kapcsolatokat, csupán a meteorológiai mennyiségek statisztikai jellemzőit tanulja meg és vetíti előre.

A Pangu-Weather amellett, hogy a hagyományos modelleknél egyelőre nem ad jobb eredményeket az ensemble előrejelzések terén, több más korláttal is rendelkezik Szépszó szerint. Ilyen például az, hogy simítottabb előrejelzési mezőket ad, valószínűleg azért is, mert az ECMWF jelenlegi 9 kilométeres globális lefedettségű modelljénél jóval durvább felbontású adatbázisból tanul. Emiatt felmerül, hogy miként lesz javítható ennek a módszernek felbontása, ha mindig kevésbé részletes adatokon tanítják. Eközben a kutató szerint a numerikus modellek fejlődése sem áll meg, és az ECMWF a fizikai folyamatok leírásának átgondolásával már néhány éven belül bevezetheti az 5 kilométeres rácsfelbontást globális modelljéhez.

A NowcastNet amerikai és kínai radaradatok alapján képes volt három órára előre realisztikus és nagy felbontású előrejelzést adni egy közel 2x2 ezer kilométeres régióra, hogy hol, mekkora csapadékmennyiség várható. Amikor a kutatók 62 kínai meteorológussal teszteltették az algoritmust, azt találták, hogy az ő modelljük volt a legjobb az esetek 71 százalékában más megoldásokhoz, például az AlphaFold2 fehérjekutató algoritmust kifejlesztő DeepMind DGMR módszeréhez képest. A szakemberek szerint sokat kell még tenni az ultrarövid távú előrejelzés pontosságának növeléséért, például több fizikai elv, valamint műholdas megfigyelések integrálásával.

A Pangu-Weather és a NowcastNet nagy előnye a hatékonyság lehet, a futtatásuk ugyanis gyorsabb, és nem kellenek hozzá szuperszámítógépek. Szépszó szerint ugyanakkor kérdés, hogy ez akkor is megmarad-e, ha a Pangu-Weathernek már közvetlenül mérésekből kell kiindulnia, és nem csak néhány változóval dolgozik (jelenleg 5 változóval 13 modellszinten, plusz 4 felszíni változóval), hanem az átlagos prognóziskészítésben előforduló ennél nagyobb számúval. Ez azért is lényeges, mert az ECMWF globális modellje nem csak előrejelzéseket biztosít a magyar szakembereknek, hanem bemeneti adatokat szolgáltat az OMSZ regionális modellfuttatásaihoz is, amiknek határfeltételei akár 60 modellszinten is tartalmaznak több meteorológiai változót. Szépszó szerint a mostaninál több változó előállítása valamivel megnövelné a Pangu-Weather futtatási költségeit is. A több változó előállítása és a köztük lévő fizikai egyensúly biztosítása viszont kevésbé fontos a pár órás nowcastingra törekvő NowcastNetnél, véli a kutató.

A Pangu-Weathert fejlesztői trópusi ciklonok útvonalának előrejelzésére is kipróbálták, amiben jelenleg az ECMWF-HRES módszere az egyik legjobb a világon. A szakemberek 88 trópusi ciklonon hasonlították össze az AI-alapú és a hagyományos módszert. Arra jutottak, hogy a Pangu-Weather kisebbet hibázik, ha 3 és 5 nappal előre kell megmondani, hol lesz a ciklon. Ugyanakkor hozzáteszik, az összevetés nem teljesen méltányos, mert az ECMWF-HRES-nek valós időjárási adatokból, nem pedig reanalizís adatokból kellett kiindulnia.

A meteorológus szerint az AI-módszerek többféleképpen használhatók a modell-előrejelzés készítése során, például a kezdeti feltételek előállításánál mérési hibák megbecsülésére, és úgy néz ki, sokat segíthet az utófeldolgozásban történő alkalmazásuk, amikor a nyers modelleredmények egy-egy paraméterét gépi tanulásos algoritmusokkal javítják a kutatók. Arra a kérdésünkre, hogy a reanalízis adatokon tanított mesterségesintelligencia-modellek képességeit korlátozhatja-e a globális felmelegedés, Szépszó úgy reagált, hogy az ezekkel készülő, néhány napra vagy hétre szóló előrejelzések esetén ez nem jelent komoly problémát, de több évtizedes projekciók esetén már a fizikai modelleknél gyengébb eredményt adnának ezek a módszerek.

A Nature-nek a tanulmányokat kommentáló Imme Ebert-Uphoff és Kyle Hilburn, a Coloradói Állami Egyetem mesterséges intelligenciával és légkörkutatással foglalkozó szakemberei szerint óriási potenciál van a mesterséges intelligenciában az időjárás-előrejelzés terén is, de felmerülnek kockázatok is. Emiatt úgy vélik, most van itt az ideje, hogy a meteorológusok megtanulják ezeknek a rendszereknek az előrejelzéseit kiértékelni és értelmezni.

Kapcsolódó cikkek a Qubiten: