Nem kell már sokat várni a mesterséges intelligencia modelleken alapuló időjárás előrejelzésre. A Google DeepMind szerdán bemutatta a GenCastot, az első olyan AI-modellt, amely megbízható valószínűségi előrejelzést generál, ami elengedhetetlen a technológia gyakorlati alkalmazásához. A precíz időjárás-előrejelzés, ahogy azt legutóbb a katasztrofális esőzéseket és dunai árvizet okozó Boris ciklonnál láttuk, életeket ment, és az időjárástól függő megújuló energiaforrások előretörésével egyre fontosabbá válik.

Ma az időjárás előrejelzés úgynevezett numerikus előrejelző modelleken (Numerical Weather Prediction, NWP) alapszik, amik fizikai egyenletekkel írják le a légköri folyamatokat. A globális lefedettségű fizikai modellek közül évek óta a Középtávú Időjárás-előrejelzések Európai Központjának (ECMWF) integrált előrejelzési rendszere (Integrated Forecasting System, IFS) teljesít a legjobban – amit sokszor „európai modellnek” neveznek, hogy megkülönböztessék az amerikai előrejelző modelltől (Global Forecast System, GFS).

Az „európai modell” egy specifikus előrejelzés mellett különböző kiindulási feltételekből indított szimulációkkal valószínűségi előrejelzést is generál a különböző várható lehetőségeket bemutató, úgynevezett sokasági előrejelzési rendszer (ensemble, ENS) segítségével. Ennek a brit meteorológiai szolgálat szerint az az előnye, hogy sokkal jobb képet ad a meteorológusoknak arról, hogy egy adott jövőbeli időpontban milyen időjárási események fordulhatnak elő. A különböző ensemble előrejelzések összehasonlításával a szakemberek meg tudják határozni, hogy egy-egy időjárási esemény mekkora valószínűséggel következik be.

Ilan Price, a Google DeepMind szenior kutatója és kollégái szerint olyan szituációkban, ahol komoly döntéseket kell hozni, például ha a következő napokban hőséghullám várható, vagy trópusi ciklon közelít a partvidék felé, gyakran nem elegendő egyetlen specifikus előrejelzésre hagyatkozni. Bár az utóbbi években az időjárás-előrejelző AI-modellek, mint a DeepMind tavaly bemutatott GraphCastja jelentős áttöréseket értek el, ezek épp az ilyen determinisztikus előrejelzések generálásában voltak jók, azaz nem adtak teljes képet a közeljövőben lehetséges időjárási forgatókönyvekről.

A GenCast, amit szerdán ismertettek a Nature folyóiratban, most ezen kíván változtatni. Fejlesztői szerint a gépi tanulási algoritmus által készített 15 napos ensemble előrejelzés precizitása felülmúlja az ECMWF ENS-e által előállított valószínűségi előrejelzését, miközben sokkal gyorsabban lefut annál. „Egyre közelebb jutunk az AI-modellek használatához az operatív előrejelzésben” – nyilatkozta a fejleményről a Qubitnek Szépszó Gabriella, a HungaroMet Klimatológiai és Kutatás-fejlesztési Igazgatóságának (KKFI) vezetője.

A meteorológus ugyanakkor hozzátette, hogy van még néhány kérdés, amire szeretne választ kapni a modellek gyakorlati alkalmazhatóságáról. Mint kérdésünkre írta, több európai országban nemcsak a trópusi ciklonok határozzák meg az időjárási folyamatokat, hanem a helyi tényezők is fontos szerepet játszanak – ezért kíváncsi lenne, hogy az ilyen, AI-alapú előrejelzések miként írják le a kontinensünkre jellemző regionális vagy lokális viszonyokat. Emellett kérdés szerinte, hogy mihez kezdenek az AI-modellek akkor, ha az eredeti, fizikai előrejelzés valamiért nagyon gyenge minőségű.

8 perc alatt készíti el azt az előrejelzést, ami a szuperszámítógépen futó fizikai modellnek 1-2 órába telik

Az AI-modellt a GraphCasthoz hasonlóan az ECMWF ERA5 reanalízisének adatain tanították, ami közel 40 évet fed le, és rekonstruálja az időjárás, valamint az éghajlat alakulását az 1979 és 2018 közötti időszakban. A GenCast működéséhez, írta Szépszó, továbbra is szükséges, hogy az előrejelzést a hagyományos fizikai modell segítségével készült kezdeti feltételekből indítsák. De a hagyományos, numerikus időjárás-előrejelzésnél részben pont ezeknek, a mérésekből és rövidtávú előrejelzésekből előállított kezdeti feltételeknek a létrehozása az, ami számítás- és időigényes.

Ezt a több óráig tartó folyamatot egyelőre nem lehet az AI-modellekkel sem elkerülni, írta, amik a kezdeti feltételek birtokában a fizikai modell egyenletrendszerének megoldásához szükséges, egy-két órás számítási időt tudják lerövidíteni. A GenCast fejlesztői azt állítják, hogy az algoritmus 8 perc alatt képes egy ensemble előrejelzés elkészítésére, ha párhuzamosan futhat több Google Cloud TPUv5 AI-gyorsítón.

Miben különbözik a korábbi időjárás-előrejelző AI-modellektől?

Az AI-időjárás előrejelző modellek 2022 végén robbantak be, amikor az arXiv-ra feltöltött preprintekben (ellenőrzésen még nem átesett tanulmány) előbb a kínai Huawei Cloud Computing kutatói ismertették a Pangu-Weathert, majd a Google DeepMind szakemberei a GraphCastot. Mindkettő gépi tanuláson alapuló, középtávú (1-2 hetes), globális időjárás előrejelzést biztosít, és képes extrém időjárási események predikciójára is – például annak előrejelzésére, hogy egy trópusi ciklon merre halad majd.

A Pangu-Weatherről szóló tanulmányt végül 2023 júliusában közölte a Nature – ekkor Szépszó a módszerről a Qubitnek azt nyilatkozta, hogy szerinte van létjogosultsága. Néhány hónappal később a GraphCast volt soron, amit a DeepMind szakemberei 2023 novemberében ismertettek a Science-ben – aminek képességeiről és korlátairól szintén a HungaroMet meteorológusának segítségével számoltunk be.

De mekkora előrelépést jelent a GenCast a korábbi GraphCast és Pangu-Weather modellekhez képest? Szépszó szerint utóbbiak inkább egyedi előrejelzések kifejlesztésére koncentrálnak, és a sokasági (ensemble) előrejelzést az egyedi előrejelzések kezdeti feltételeinek kis módosításaival (perturbáció) állítják elő. A Pangu Weather és a GraphCast által készített előrejelzésben, mint írta, lényegében elsimulnak a térbeli részletek, és végeredményként egy átlagosan jónak számító előrejelzés jön létre.

A GenCast ehhez képest két, egymástól 12 órára lévő időbeli állapot alapján ismétlő módon egy zajtagot állít elő, és ennek felhasználásával készíti el az előrejelzést a következő 12 órára. A módszer minden 12 órás lépés indításánál több kiindulási zajmintát generál, amiből létrehozhatók az együttes előrejelzés tagjai. Szépszó szerint a GenCast esetén az egyedi előrejelzés strukturáltabb, vagyis a térbeli részletek határozottabban kirajzolódnak.

Jobb előrejelzést ad, mint a fizikai modell, de van még hova fejleszteni

Amikor a DeepMind kutatói összehasonlították az ECMWF ENS és a GenCast ensemble előrejelzését, azt találták, hogy a GenCast előrejelzési képessége az általuk vizsgált 1320 eset 97 százalékban felülmúlja a fizikai modellét. A fejlesztők emellett azt állítják, hogy az AI-modell jobb előrejelzést ad extrém időjárási eseményekre, trópusi ciklonok várható útvonalára és arra, hogy egy adott régióban mennyi energiát termelnek majd meg a szélerőművek.

A GenCast több különböző módon is továbbfejleszthető lehet. Az AI-előrejelzés felbontása például csak 0,25 fokos, mert jelenleg ekkora a globális reanalízis-adatok maximális felbontása – de ezt a szakemberek szerint a jövőben 0,1 fokra lehetne növelni. Szépszó azt állítja, hogy a 0,1-fokos felbontással a GenCast megközelítené a jelenlegi operatívan futó globális modellek felbontását, de kérdéses, hogy milyen adatbázison tanítanák meg a modellt arra, hogy az ezen a rácstávolságon jellemző, finom-felbontású struktúrákat reálisan írja le.

Kapcsolódó cikkek a Qubiten:

link Forrás

link Forrás

link Forrás