Rannsóknir benda til þess að notkun gervigreindar geti aukið nákvæmni í veðurspám
Dæmi um þar sem gervigreind skákaði hefðbundnu spálíkani og notaði til þess mun minna reikniafl
Þegar veðurfræðingar gera spár byggja þeir á reikniniðurstöðum veðurfræðilíkana og nýjustu veðurathugana, hvort sem þær koma frá fjarkönnun (veðurtunglum, veðursjám o.s.frv.) eða mælingum frá veðurstöðvum. Nútíma veðurspálíkön nýta öll þau eðlisfræðilögmál sem ráða hreyfingum og orkuskiptum andrúmsloftsins. Þau eru sett fram sem stærðfræðijöfnur á tölvutæku formi í flóknu forriti sem er yfirleitt kallað veðurspálíkan. Margháttaðar veðurathuganir eru síðan notaðar til þess að finna sem nákvæmast ástand lofthjúpsins á því augnabliki sem reikningar veðurlíkansins eiga að hefjast, t.d hver sé staða loftþrýstings, hita og úrkomu. Það að finna gott upphafsástand eða forsendur fyrir líkanið er kallað að “búa til greiningu” og er sérstakt fræðisvið innan veðurfræðinnar. Nánari lýsing á þessu ferli má lesa um í fróðleiksgreininni “Hvað þarf til að spá í veðrið?“
Krafan um tíðari og nákvæmari veðurspár kalla á öflugar tölvur með mikið reikniafl
Veðurfræðilíkön þróuðust á síðari hluta 20. aldar og fleygði fram samfara því sem tölvur urðu öflugri. Veðurlíkön eru mjög reikniþung og það þarf mjög öflugan tölvukost til að gera veðurspár. Í nútímaþjóðfélagi hefur krafan um tíðari og nákvæmari veðurspár aukist. Til þess að gefa út nákvæmari spár þarf að meta óvissu í tölvuspám sem styðjast á við og er vinnulagið við það yfirleitt að breyta lítillega mati á upphafsástandi eða forsendum í spálíkönum og og endurtaka reikningana. Með því að gefa veðurlíkani örlítið önnur upphafsskilyrði fæst önnur spá, stundum svipuð þeirri fyrri en í öðrum tilvikum nokkuð ólík og munurinn gefur mat á óvissunni. Innan veðurfræði eru slíkar spár kallaðar safnspár, og augljóslega eykur það tölvuþörfina enn frekar að reikna spá fyrir sama tímabilið allt að 50 sinnum. Samfara þróun veðurlíkana hafa lengi verið rannsakað hvernig nota megi tölfræðiaðferðir og tölfræðilíkön til þess að reikna spár mun hraðar en með reikniþungum veðurlíkönum. Þó slíkar aðferðir geti átt við fyrir sum verkefni hafa tölfræðilíkön hingað til ekki komist nærri því að jafna spágetu eðlifræðilegu veðurlíkananna.Tölfræðilíkön hafa þó verið notuð til að herma ákveðna ferla sem gerast á smákvarða (smærri kvarða en reikninet veðurspárlíkansins) en síðustu áratugi hafa mikilvægustu not tölfræðilíkana verið að leiðrétta veðurspár byggt á kerfisbundnum muni á eldri spám og mældu veðri. Á þann hátt er sú spá sem veðurstofur gefa út, oft sambland af niðurstöðum veðurspálíkans og tölfræðilegrar úrvinnslu þeirra.
Gervigreind skákaði hefðbundnu spálíkani og notaði til þess mun minna reikniafl
Á síðustu árum hefur verið mikil þróun í að nota gervigreind til að bæta úrvinnslu veðurgagna, m.a. til þess að lagfæra veðurspár og svokölluð reiknifræðileg tauganet hafa verið notuð í þeim tilgangi. Lengi vel sáu vísindamenn ekki annað hlutverk fyrir gervigreindina, en að leiðrétta villur veðurlíkana, gera skammtímaspár eða önnur takmarkaðri not á minni kvarða, en hefðbundin veðurspárlíkön. Á allra síðustu árum hafa hinsvegar orðið stórstígar framfarir í notkun gervigreindar til þess að ná þeirri getu sem tölfræðilegu líkönin gátu aldrei náð, þ.e. að herma veður og gera það jafn vel, eða betur, en eðilsfræðilegu veðurlíkönin. Þessi árangur hvílir bæði á framförum í gerð gervigreindarforrita sem herma eftir veðri og stóraukinni reiknigetu. Þá skiptir máli að á síðustu árum hafa verið þróaðar s.k. endurgreiningar en þær eru safn greininga á ástandi lofthjúps með nokkurra klukkutíma millibili samfellt um nokkurra áratuga skeið. Fyrir gervigreindarforrit skiptir aðgengi að greiningum máli, því segja má að greiningar séu þær forsendur eða „sannleikur“ um ástand lofthjúpsins sem gervigreindin styðst við. Sú greining sem mest hefur verið notuð er ERA5 endurgreining frá Reiknimiðstöð evrópskra veðurstofa (e. European Centre for Medium Range Forecasts, ECMWF) en með því að nota hana er hægt að þjálfa gervigreindarlíkön á gögnum frá hnattrænu reiknineti sem skiptir yfirborði jarðar upp í reiti sem eru 25 km á kant og eru til á klukkutíma fresti frá 1940. Frammistaða gervigreindarlíkana byggir því mjög á vinnu ECMWF og þar sem spálíkan þeirra er besta hnattræna líkanið, er spá ECMWF sú spá sem flest gervigreindarlíkönin eru metin út frá. Mynd 1 sýnir samanburð á því hvernig gervigreind og veðurlíkön gera veðurspá.
Bestu
gervigreindarlíkönin hafa farið mjög nærri því að jafna spá ECMWF og í sumum
tilvikum hefur spá gervigreindarlíkansins reynst betri. Dæmi um þetta má sjá á myninni hér til vinstri sem sýnir 72 klukkutíma spá brautar fellibylsins Michael (sem kom við
sögu í ágúst 2018) með háupplausnar líkani evrópska reiknisetursins (ECMWF) og
líkani sem byggir á gervigreind. Gervigreindarlíkanið Pangu-Weather var þjálfað á ERA5 endurgreiningunni og
72 tíma spár ECMWF og Pangu Weather bornar saman. Greinilegt er að bæði ECMWF
og Pangu Weather ná að herma brautina álíka vel framan af, en í á síðasta
sólahring spárinnar missir ECMWF af fellibylnum, en Pangu-Weather ekki.
Gervigreind mun ekki leysa veðurfræðinga af hólmi í nánustu framtíð
Samanburður á niðurstöðum gervigreinarforrita og veðurlíkana sýnir að langþráður draumur um að geta spáð fyrir veðri með tölfræðilegum aðferðum og minni reiknikostnaði er að rætast. Hér skiptir máli að gervigreindarlíkön þurfa ekki jafnmarga reikninga til að reikna spána. Pangu Weather er um 22.000 sinnum hraðari en ECMWF að reikna spár og gervigreindar líkanið FourCast er 45.000 sinnum hraðara. Þessar tölur taka ekki til þess hversu langan tíma tók að þjálfa gervigreindina heldur einungis spátímann.
Veðurstofur
víða taka þátt í rannsóknum hvernig nýta megi gervigreind til að bæta veðurspár.
ECMWF er þar í fremstu röð og stóð m.a. í vor fyrir opnum netnámskeiðum (MOOC) um gervigreind og veðurspár.
Fyrir veðurstofur er gervigreind kærkomin tækni til þess að bæta spár enn frekar. Slíkt þróun þarf að byggja á öflugum rannsóknum og ljóst er að á næstu misserum verður fjárfest verulega í rannsóknum á gervigreind og veðurspám.
Þó tölfræðiforrit byggð á gervigreind muni ekki gera hefðbundin spálíkön óþörf (þau byggja á greiningum sem gerðar eru með slíkum líkönum) er ljóst að sá mikli sparnaður í reiknitíma sem þeim fylgir gerir það mögulegt að gera mun fleiri og tíðari spár, t.d. safnspár byggðar á þúsundum spám gervigreindar, eða spá sem uppfærð er um leið og nýjar athuganir berast. Gervigreind mun þannig ekki leysa veðurfræðinga af hólmi í nánustu framtíð en hún mun gera þeim kleift að birta mun nákvæmari spár og uppfæra þær með mun minni fyrirvara og fyrirhöfn en í dag.
Frekara efni
Fyrir þá sem hafa áhuga á að kynna sér þetta frekar er hér er stuttur listi með gervigreindarlíkönum sem geta reiknað veðurspá nokkra daga fram í tímann. Þróun á þessu sviði er mjög hröð og þær greinar sem hér er vísað í lýsa tækni sem frekari framþróun gæti gert úrelta á nokkrum mánuðu.
· Pangu-Weather: 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. arXiv preprint arXiv:2211.02556.
· GraphCast: Learning skillful medium-range global weather forecasting (2022) Remi Lam, Alvaro Sanchez-Gonzalez, Matthew Willson, Peter Wirnsberger, Meire Fortunato, Alexander Pritzel, Suman Ravuri, Timo Ewalds, Ferran Alet, Zach Eaton-Rosen, Weihua Hu, Alexander Merose, Stephan Hoyer, George Holland, Jacklynn Stott, Oriol Vinyals, Shakir Mohamed, Peter Battaglia https://arxiv.org/abs/2212.12794
· FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators (2022) Jaideep Pathak, Shashank Subramanian, Peter Harrington, Sanjeev Raja, Ashesh Chattopadhyay, Morteza Mardani, Thorsten Kurth, David Hall, Zongyi Li, Kamyar Azizzadenesheli, Pedram Hassanzadeh, Karthik Kashinath, Animashree Anandkumar
· ClimaX: A foundation model for weather and climate (2023) Tung Nguyen, Johannes Brandstetter, Ashish Kapoor, Jayesh K. Gupta, Aditya Grover (https://arxiv.org/abs/2301.10343), sjá einnig: https://www.opensourceforu.com/2023/03/microsoft-open-sources-climax-a-deep-learning-model-for-weather-prediction/
