ملخص حول تقدير الطقس لأكثر من أسبوعين باستخدام NVIDIA Earth-2 الأهمية والتحديات التوقعات الدقيقة للأحوال الجوية المتطرفة أصبحت ضرورية أكثر من أي وقت مضى مع زيادة تواترها وتأثيرها المدمر. التنبؤ القمري-فوق القمري (Subseasonal-to-Seasonal, S2S) — وهو توقع الأحوال الجوية لأكثر من أسبوعين في المستقبل — يعتبر أساسًا للقرارات الاستباقية وإدارة المخاطر في قطاعات تتأثر بالاضطرابات الجوية. هذا يمكن المزارعين من اختيار المحاصيل المناسبة وإدارة مواردهم المائية في المناطق المعرضة للجفاف، ويمكن شركات الطاقة من موازنة العرض والطلب، ويمكن الصيادين من حماية أنفسهم من الحرارة الشديدة في البحار، ويمكن الحكومات من الاستعداد للكوارث الطبيعية وتوفير البنية التحتية اللازمة للتخفيف من آثار الحرائق والحرارة. دور NVIDIA Earth-2 منصة NVIDIA Earth-2 قد ساهمت بشكل كبير في دعم المجتمعات العلمية والتجارية بتقديم باقة من الأدوات الفعالة والقابلة للتوسع. هذه الأدوات تساعد الخبراء الجويين على تقييم وvalidation نماذج التوقع، كما تساعد خبراء الذكاء الاصطناعي على تطوير وتعديل وتوسيع هذه النماذج لحالات استخدام متنوعة ومجموعات بيانات مختلفة. التقدم في التنبؤ القمري-فوق القمري باستخدام الذكاء الاصطناعي واحدة من المزايا الرئيسية لنماذج الذكاء الاصطناعي في التوقعات الجوية هي القدرة على تشغيل مجموعات تشغيلية أكبر بكثير مما هو ممكن باستخدام الطرق التقليدية، وبتكلفة حوسبة أقل بكثير. هذا العام، أظهر باحثون من جامعة كاليفورنيا في بيركلي طريقة فعالة لإنشاء مجموعات هائلة ("Huge Ensemble" أو HENS) باستخدام منهجية Bred Vector/Multi Checkpoint (BVMC). تستخدم الشركات مثل JBA وAXA هذا النهج HENS مع نموذج FourCastNet V2 (SFNO) للتنبؤ بأحداث الماضي في تطبيقات التأمين. وقد أظهر باحثون من جامعة كاليفورنيا في إيرفين أن هذا النموذج يتمتع بنفس مستوى الدقة كنظام التوقعات ECMWF في التنبؤ بدورة Madden-Julian Oscillation (MJO)، وهي مصدر رئيسي للتنبؤ القمري-فوق القمري في الغلاف الجوي. القدرات الجديدة في Earth2Studio الإصدار الأخير من Earth2Studio قد أدخل قدرة جديدة للتنبؤ القمري-فوق القمري (S2S) تم توضيحها في سياق نموذج Deep Learning Earth System Model (DLESyM). هذا النموذج هو نموذج تعلم عميق مبسط يربط بين نموذج جو متعدد الطبقات ونموذج بحر منفصل يتنبأ بتغير درجة حرارة سطح البحر. يتكون التصميم الهندسي للنموذج من U-Net مع عمليات تعبئة معدلة لدعم استخدام شبكة HEALPix بدقة نحو درجة واحدة. أثبت النموذج قدرته على التوصل إلى معدلات خطأ مناخية متوقعة على نطاقات زمنية شهرية، وأظهر باحثون من جامعة واشنطن أنه يتمتع بقدرة ملحوظة على الاستقرار الذاتي في محاكاة المناخ. التنبؤ الاحتمالي باستخدام المجموعات التنبؤات القمري-فوق القمري هي بطبيعتها احتمالية، وليس حتمية. فهي لا تتوقع حالة الطقس الدقيقة في يوم محدد بعد أشهر، بل توفر احتمالية انحراف الظروف الموسمية عن المعايير. تُعبر هذه التوقعات عادةً عن احتمالات لثلاثة مستويات: احتمالية أن يكون الموسم القادم في الثلث الأعلى (فوق المعدل الطبيعي)، أو الثلث الأوسط (قريبًا من المعدل الطبيعي)، أو الثلث الأدنى (دون المعدل الطبيعي) لتوزيع المناخ التاريخي لدرجة الحرارة أو الهطول المطري. الآن، يوفر Earth2Studio وصفة جديدة للمستخدمين المهتمين بتجربة HENS-SFNO وDLESyM وغيرها من النماذج لصنع توقعات S2S. تدعم هذه الوصفة الاستدلال الموزع عبر عدة وحدات معالجة متعددة GPU، بالإضافة إلى I/O متوازية لحفظ بيانات التوقعات بكفاءة أثناء إنتاجها. كما أنها تسمح بحفظ جزء فقط من مخرجات التوقعات إذا كانت المساحة التخزينية محدودة. تطبيق مثال كمثال توضيحي، يمكن استخدام الوصفة لتوليد توقعات S2S للحرارة الشديدة التي ضربت شمال غرب المحيط الهادئ في عام 2021. كان هذا الحدث استثنائيًا في شدته وطويل مدته، وكان صعب التوقع على نطاقات زمنية S2S، وفقًا لورقة بحثية نُشرت في Geophysical Research Letters. بينما لا يلتقط أي نموذج الموقع والشدة بدقة مثالية، يمكن رؤية أن جميع النماذج بدأت في التنبؤ بوجود بعض الانحرافات الحرارية الدافئة في أمريكا الشمالية قبل ثلاثة أسابيع، مع اختلاف الدقة بين HENS-SFNO وIFS ENS وDLESyM. الخطوات القادمة تسريع اعتماد الذكاء الاصطناعي للتنبؤ القمري-فوق القمري يتطلب تقييمًا أكثر صرامة لقدرات هذه النماذج من قبل الخبراء في المجال. توفير مكتبات مفتوحة المصدر يقلل من الحواجز أمام المهارات المطلوبة في مجال الذكاء الاصطناعي، ويقدم تعليقات حول تطوير النماذج المستقبلية للمجتمع البحثي في الذكاء الاصطناعي والتعلم الآلي. يهدف مسابقة AI Weather Quest من مركز التوقعات الجوية الأوروبية (ECMWF) إلى تسريع المشاركة المجتمعية في تطوير التوقعات S2S. بينما يستعد مهندسو NVIDIA للمشاركة فيها (بجانب باحثي جامعة واشنطن)، يعملون على تكامل أدوات Earth-2 مع تلك المقدمة من ECMWF لمسابقة Weather Quest. هذا يجب أن يسمح بإجراء تكرارات أسرع في تقييم النماذج باستخدام حزمة AI-WQ-package من ECMWF مباشرة مع بيانات التوقعات المولدة في Earth2Studio، بالإضافة إلى إمكانية تدريب نماذج مخصصة في PhysicsNeMo. التقييم الكفء للتنبؤات يعتبر الاستدلال والتصنيف الكفؤ لمجموعات التوقعات S2S الكبيرة جزءًا أساسيًا من العملية العلمية. يتطلب تقييم النماذج بشكل صحيح تصنيف العديد من التوقعات لتحديد مهاراتها. لتسريع هذا العملية المكثفة للموارد، يمكن الآن لـ Earth2Studio تشغيل وتصنيف مجموعات S2S الكبيرة بكفاءة عالية. على سبيل المثال، يمكن تشغيل وتصنيف توقعات مجموعات DLESyM باستخدام عدة نماذج جوية وبحرية عبر سنة كاملة في أقل من ساعتين على ثمانية وحدات GPU. الاستنتاجات الرئيسية التنبؤ القمري-فوق القمري ضروري لقطاعات متعددة تتأثر بالمناخ. ناقشت هذه المقالة الوظائف الجديدة في Earth2Studio التي تمكن الشركات من تقييم وvalidation نماذج التوقع المسبقة التدريب مثل DLESyM لإنشاء توقعات مجمعة. الموارد للبدء جلسات GTC: تقدم المزيد من الرؤى حول كيفية استخدام الشركات للذكاء الاصطناعي في إنشاء توقعات مجمعة كبيرة. تقييم الخبراء ونبذة عن NVIDIA يشير الخبراء في مجالي الأرصاد الجوية والذكاء الاصطناعي إلى أن منصة NVIDIA Earth-2 تمثل خطوة هامة في مجال التنبؤ بالأحوال الجوية على المدى القمري-فوق القمري. إن خفض تكلفة الحوسبة وإمكانية تكامل الأدوات المفتوحة المصدر يفتحان الباب أمام المزيد من البحوث والتطبيقات العملية. تُعد NVIDIA شركة رائدة في مجال الذكاء الاصطناعي وتقديم حلول حوسبة فائقة الأداء، مما يجعلها مرجعًا مهمًا في هذا المجال.