Az időjárás-előrejelzés területét is elérte a mesterséges intelligenciák elmúlt években látott, minden eddiginél gyorsabb fejlődése. Az ígéretek szerint a jelenleg használatos időjárási modelleket pár éven belül leváltják a neurális hálózatok, melyek néhány perc alatt bolygónk teljes területére nagyfelbontású előrejelzését lesznek képesek elkészíteni a mostani megoldásokkal megegyező vagy még pontosabb beválással.
A legutóbbi, nagy visszhangot kiváltó bejelentés a Huaweitől érkezett. A kínai óriáscég egy olyan modellt tett bárki számára hozzáférhetővé, mely a mindenkori időjárási helyzetből képes megbecsülni a több nap múlva várható légköri állapotot, mindezt a jelenleg piacvezetőként elismert ECMWF modellnél is pontosabban és töredék akkora számítási kapacitással. Hasonló megoldást mutatott be tavaly az NVidia FourCastNet néven, melynek kódja szintén szabadon elérhető.
Az új megoldások nem csak a globális előrejelzésekre fókuszálnak, neurális hálózatokra épülő megoldás a NowcastNet is, mely kifejezetten regionális heves időjárási események rövidtávú előrejelzését szolgálja a radarképek 3 órára történő előrejelzésével.
Jobban eltalálja a hurrikánok pályáját a Pangu-Weather | Grafika: ECMWF
Ha tényleg ilyen jól állunk, miért nem térünk át még ma ezekre a modellekre?
A helyzet - mint minden hasonló helyzetben - most is bonyolultabb ennél. A jelenleg használt előrejelzési megoldások közel 70 év töretlen fejlődésének az eredményei. A működési elv minden esetben azonos:
Elsőre talán meglepő lehet, de az igazi kihívást az első lépés jelenti. Jelen állás szerint a légkör döntő többségéről ugyis nincs mért információnk.
Vajon hány fok lehet Hortobágy felett 17 kilométer magasan, mekkora a páratartalom és milyen szél fúj? Ilyen kérdésekre kell minél pontosabb becslést adnunk, ha numerikus modellt szeretnénk futtatni. Az előrejelzés beválása pedig jórészt attól függ majd, hogy mennyire adtunk jó választ.
Az adatasszimiláció és az előrejelzés kéz a kézben járnak. A pillanatnyi időjárás becsléséhez az előző (pl. 6-12 órával ezelőtti) előrejelzések kimenetét és az azóta beérkezett méréseket veszik alapul.
A felhasznált mérésekre kisebb hibát kevernek (pl. "Mi lett volna ha itt egy fokkal melegebbet mérünk? Mi lett volna, ha ott kicsit erősebb a szél?"), így akár 50-100 különböző forgatókönyvet is előállítanak, melyek közül azokat választják ki, melyek az utána érkezett mérésekhez legjobban "hasonlítanak".
A fenti, rendkívül komplex és számításigényes feladatot a most bejelentett neurális hálózatok nem végzik el, azok kizárólag már készen előállított kiindulási állapotokból képesek előrejelezni.
A PanguWeather például kizárólag az ECMWF által előkészített becslésekkel (szaknyelven analízisekkel) dolgozik, önmagában nyers mérési adatokkal nem tud mit kezdeni. A modell kizárólag az ERA5 reanalízisen tanult. Ez leegyszerűsítve az ECMWF modellje a múltban futtatva, mellyel pontos helyzetképet kaptunk az időjárásról 1940-től napjainkig. Statisztikailag tehát az így eltelt 83 év időjárási menetének általánosításait képes alkalmazni ez a megoldás. Kérdés, hogy ez elegendő tanítási adat-e?
További probléma, hogy a kapott kimenet jóval kevesebb paraméterű, mint egy hagyományos előrejelzési modell. Az előrejelzés néhány értékre korlátozódik, mint példaul a felszíni hőmérséklet, szél és csapadék, de nem állnak elő azok a részletes magaslégköri adatok, melyek egy adott időjárási helyzet részletesebb tanulmányozásához (például a várható viharok lehetséges erősségének becsléséhez) elengedhetetlenek.
Szintén problémát okoz a felhasználás folyamán a tanulás során használt hibafüggvény is, mely a tévedés négyzetes hibájának a minimalizálására optimalizál. Így bár az egyes rácspontok átlagos hibája alacsonyabb, mint a hagyományos modelleknél, a létrejött prognózis meteorológiailag nem konzisztens, így például a hurrikánok erejét jelentősen alulbecsli.
A hurrikánok erősségét jócskán alulbecslik az MI eljárások | Grafika: ECMWF
A fenti problémák ellenére ugyanakkor tagadhatatlanul értékes eszközök kerültek az emberiség birtokába. A lehetséges forgatókönyvek felvázolása, ill. a szélsőséges időjárási helyzetekre való figyelmeztetés a korábbinál akár órákkal korábban elkészülhet, így akár megmentett emberéletekben is mérhető lesz hosszútávon a fejlődés. A napjainkban használt, hagyományos, szuperszámítógépeket igénylő modellek ugyanakkor várhatóan még sokáig velünk maradnak, azoknak egyelőre csak részfeladatait vehetik át és turbózhatják fel az új technológiák.
Címlapi kép: nVidia Deep Learning Weather Prediction
Szerző: Szente-Varga Bálint
Megjelent: 2023.09.07 22:58