Die numerische Wettervorhersage ist die gängige Methode der Wettervorhersage. Es löst den Zustand des Erdsystems Gitter für Gitter durch numerische Integration, was ein Prozess deduktiver Argumentation ist.

Da jedoch die Auflösung der Wettervorhersagen immer weiter zunimmt und sich die Vorhersagezeit allmählich verlängert, ist auch die für das NWP-Modell erforderliche Rechenleistung rapide gestiegen, was seine Entwicklung einschränkt. Andererseits entwickelt sich die datengesteuerte Wettervorhersage auf Basis künstlicher Intelligenz rasant und hat in einigen Bereichen die traditionellen Methoden überholt.

Wie genau sind bestehende Wettervorhersagen mithilfe maschinellen Lernens? Wie wird künstliche Intelligenz die Wettervorhersage verändern? Dieser Artikel vergleicht mehrere datengesteuerte, auf maschinellem Lernen basierende Wettervorhersagemodelle und gibt einen Ausblick auf die zukünftige Entwicklung der Wettervorhersage.

Autor | Xuecai

Herausgeber | Sanyang

Numerische Wettervorhersage: 45 Milliarden partielle Differentialgleichungen

Die numerische Wettervorhersage (NWP) ist die gängige Methode im Bereich der Wettervorhersage.. Bereits zu Beginn des 20. Jahrhunderts schlugen Abbe und Bjerknes vor, dass Menschen die Gesetze der Physik nutzen könnten, um das Wetter vorherzusagen. Indem sie die aktuellen Wetterbedingungen als Ausgangswert nehmen, können sie das zukünftige Wetter integrieren und berechnen. Allerdings war die meteorologische Forschung zu dieser Zeit noch nicht gründlich genug und das Computerniveau war relativ rückständig, sodass diese Idee nicht verwirklicht werden konnte.

Im Jahr 1950 versuchte die Universität von Plunder, mit dem ersten elektronischen Computer Wettervorhersagen zu erstellen. Im Jahr 1954 wurden in Stockholm erstmals Echtzeit-Wettervorhersagen eingeführt.

Lösen Sie ein System von Differentialgleichungen basierend auf den Gesetzen der Physik in jeder Netzzelle

Bis in die 1970er JahreDas Aufkommen von Supercomputern ermöglichte die Lösung des gesamten Gleichungssystems von Abbe und Bjerknes.. Im Jahr 1979 erstellte das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) die erste mittelfristige Wettervorhersage und eröffnete damit das Kapitel des Integrierten Vorhersagesystems (IFS).

Edward N. Lorenz fasste jedoch die Erfahrungen seiner Vorgänger zusammen.Vorgeschlagen, dass das Wettersystem ein chaotisches System ist, kann sich durch geringfügige Änderungen der Variablen dramatisch ändern. auf der anderen Seite,Außerdem ist es für die Menschen schwierig, den Anfangszustand des meteorologischen Systems vollständig zu verstehen.. Zu diesem Zweck verwendet die akademische Gemeinschaft Ensemble-Prognosen, um die Unsicherheit der Anfangsparameter und Vorhersagemodelle zu minimieren. Die Sammlung von Vorhersageergebnissen ist die Grundlage der probabilistischen Prognose.

Schematische Darstellung der Ensemble-Vorhersage der Niederschlagswahrscheinlichkeit

Mit der Entwicklung numerischer Modelle, Supercomputing, Datenassimilation und Ensemble-Vorhersagetechnologien wurde die Genauigkeit numerischer Wettervorhersagen kontinuierlich verbessert und die Vorhersagezeit schrittweise von 3 Tagen und 5 Tagen auf 7 Tage und sogar 10 Tage erhöht..

Die Entwicklung der Wettervorhersagetechnologie im Laufe der Zeit in der nördlichen und südlichen Hemisphäre (SH, NH)

Derzeit erfordert das ECMWF-Vorhersagemodell 10-Tage-Vorhersagen für 2 Millionen Gitterzellen auf jeder horizontalen Ebene mit einem 10-Minuten-Schritt, die zweimal täglich ausgeführt werden.Daher müssen sie die Berechnung von etwa 40 Milliarden Gittern innerhalb von 2,5 Stunden abschließen, was einen sehr hohen Rechenaufwand erfordert.

Hohe Rechenkosten behindern die Weiterentwicklung numerischer Wettervorhersagemethoden. Die Frage, wie sich ein Gleichgewicht zwischen der Modellauflösung und der Ensemblegröße finden lässt, ist zu einer Hürde geworden, die Ensembleprognosen einschränkt.

Der Aufstieg datengesteuerter maschineller Lernansätze

Kürzlich,Datengetriebenes maschinelles Lernen (ML) zeigt großes Potenzial bei der Wettervorhersage. Seit 2022 haben Modelle des maschinellen Lernens im Bereich der Wettervorhersage eine Reihe von Durchbrüchen erzielt, von denen einige mit den hochpräzisen Vorhersagen des Europäischen Zentrums für mittelfristige Wettervorhersage konkurrieren können. Die datengesteuerte Wettervorhersage basiert im Integrated Forecast System (IFS) eher auf Modellen des maschinellen Lernens als auf physikalischen Modellen.Die Vorhersagegeschwindigkeit ist um mehrere Größenordnungen höher als bei herkömmlichen Methoden.. Darüber hinaus sind Wettervorhersagen auf der Grundlage maschinellen Lernens eher das Ergebnis induktiven Denkens als des traditionellen deduktiven Denkens. Dieser Paradigmenwechsel in der Logik hat die Art und Weise verändert, wie Wettervorhersagen interpretiert werden –Diese Ergebnisse sind überzeugender, da sie auf früheren Daten basieren..

Datensatz: 0,25° Reanalysedaten von 1940 bis heute

Datenbasierte Modelle entstehen dank umfangreicher, hochwertiger offener meteorologischer Datensätze. Das bestehende maschinelle Lernmodell zur Wettervorhersage wird anhand der Reanalysedaten der fünften Generation des Europäischen Zentrums für mittelfristige Wettervorhersage trainiert.ERA5-Reanalyse-Datensatz. Als die aktuelle Version des Integrated Forecast System (IFS) im Jahr 2016 eingeführt wurde, wurden Wetterdaten von 1940 bis heute erneut analysiert, um den ERA5-Datensatz mit einer Auflösung von 0,25° (30 km) zu erstellen.

FourCastNet: Ein DL-Modell mit vergleichbarer Genauigkeit wie IFS

Im Jahr 2022 veröffentlichte NVIDIA FourCastNet, basierend auf dem neuronalen Fourier-Vorhersagenetzwerk.Erste Deep-Learning-Wettervorhersage mit 0,25° Auflösung.

FourCastNet-Architekturdiagramm

Während FourCastNet die Auflösung verbessert, bleibt es hinsichtlich des Anomaliekorrelationskoeffizienten (ACC) und des mittleren quadratischen Fehlers (RMSE) nicht weit hinter der traditionellen numerischen Wettervorhersage zurück.

 Vergleich von ACC und RMSE zwischen FourCastNet und numerischer Wettervorhersage

In Knotenstunden,FourCastNet ist etwa 45.000 Mal schneller als herkömmliche numerische Wettervorhersagemodelle, kombiniert mit seiner Genauigkeit bei hoher Auflösung, hat zu einer raschen Reduzierung der Kosten für Ensemble-Prognosen im sehr großen Maßstab geführt.

GraphCast: Globale mittelfristige Wettervorhersage basierend auf GNN

GraphCast ist ein neuronales Netzwerk, das auf einem Graph Neural Network (GNN) basiert.Übernahme der Konfiguration „encode-process-decode“, mit insgesamt 36,7 Millionen Parametern.

Der Encoder ordnet die Variablen im Eingaberaster über ein einschichtiges GNN dem internen Multiraster zu.

Multigrid ist ein räumlich homogener Graph, mit hoher Auflösung im globalen Maßstab. Das Mehrfachnetz wird durch 6 Iterationen eines regelmäßigen Ikosaeders (mit 12 Knoten, 20 Flächen und 30 Kanten) gebildet, und jede Iteration verfeinert das Netz, indem ein einzelnes Dreieck in 4 kleinere Dreiecke unterteilt und deren Knoten auf die Kugel projiziert werden.Das fertige Multigrid enthält 40.962 Knotenund die Kanten aller Graphen während des Verfeinerungsprozesses, wodurch ein hierarchischer Graph entsteht, der Kanten unterschiedlicher Länge enthält.

Der Prozessor verwendet 16 nicht gemeinsam genutzte GNN-Schichten, Nachrichtenübermittlung auf mehreren Rastern. Der Decoder verwendet ein einschichtiges GNN, um die vom Prozessor erlernten Merkmale aus dem Multigrid zurück auf das Längen- und Breitengradsystem abzubilden.

GraphCast-Framework

ac: GraphCasts Eingabe-Vorhersage-Iterationsprozess;

df: GraphCast-Konfiguration für Kodierung, Verarbeitung und Dekodierung;

g: Mehrgitter-Verfeinerungsprozess.

Verglichen mit den hochauflösenden Vorhersagen (HRES) der europäischen mittelfristigen Wettervorhersage,GraphCast übertrifft sowohl ACC als auch RMSE.

Vergleich des Vorhersage-RMSE (a&b) und des ACC (c) zwischen GraphCast und HRES

GraphCast hat nach 3 Wochen Training auf 32 Cloud TPU v4-Geräten auf ERA5-Daten seit 1979 gelernt. Dann, GraphCast kann auf einem einzelnen Cloud TPU v4-Gerät in 60 Sekunden eine 10-Tage-Wettervorhersage mit einer Auflösung von 0,25° und einem 6-Stunden-Intervall erstellen.

Pangu: Ein großes 3D-Wettermodell basierend auf ViT

Sowohl die Eingabe als auch die Ausgabe des meteorologischen Modells von Pangu sind dreidimensionale meteorologische Felder.. Aufgrund der ungleichmäßigen Verteilung der Längen- und Breitengrade des meteorologischen Feldes,Das meteorologische Modell von Pangu verwendet den 3D Vision Transformer (ViT) zur Verarbeitung meteorologischer Daten.Seine Genauigkeit übertraf erstmals die des gängigen integrierten Prognosesystems (IFS).

3D Vision Transformer Architektur

Wenn die Prognosezeit länger als 3 Tage ist, aus der RMSE-Sicht,Die Leistung des Pangu Meteorological Model und des IFS ist vergleichbar, die besser sind als das Trainingsset ERA5.

Vergleich der Vorhersageleistung verschiedener Modelle für T850 und Z500

  a&b: RMSE, wenn unterschiedliche Modelle T850 bzw. Z500 vorhersagen;

  c&d: von verschiedenen Modellen bei T850 bzw. Z500 vorhergesagte Aktivitätsintensität;

  e&f: Abweichungen, wenn verschiedene Modelle T850 bzw. Z500 vorhersagen.

Zusammenfassend lässt sich sagen, dass die datengesteuerte Wettervorhersage durch maschinelles Lernen hinsichtlich der Vorhersagegenauigkeit dem traditionellen numerischen Wettervorhersagemodell nahe kommt, die Rechenausstattung und Rechengeschwindigkeit dieses jedoch bei weitem übertrifft. Dies zeigt, dass die KI-Wettervorhersage in der Praxis über ein erhebliches Potenzial verfügt.

Maschinelles Lernen und numerische Vorhersage = Genauigkeit + Geschwindigkeit

Maschinelles Lernen schreitet rasant voran, sowohl innerhalb als auch außerhalb der Wettervorhersage. Das Europäische Zentrum für mittelfristige Wettervorhersage verfolgt den rasanten Aufstieg der datenbasierten Wettervorhersage zusammen mit einer Reihe anderer Unternehmen, darunter NVIDIA, Huawei und Deepmind.

„FourCastNet ist das erste KI-basierte Wettervorhersagesystem mit einer Auflösung von 0,25° und das erste Open-Source-Wettervorhersagesystem. Unsere neue Version verbessert die mittelfristige Leistung und die langfristige Stabilität des Modells deutlich und hofft, durch ein neuronales Operator-Framework eine Superauflösung zu erreichen“, sagte Anima Anandkumar vom NVIDIA Earth-2-Team.

Das ECMWF stellt den Benutzern diese Modelle des maschinellen Lernens zusammen mit stabilen numerischen Modellen vor und fordert sie auf, den Betrieb und die Leistung der Systeme von der Anwendungsseite aus zu bewerten.Modellgenauigkeit, Zuverlässigkeit, Unsicherheit und Interaktivität sind Schlüsselfaktoren bei der Beurteilung der Qualität und Wirksamkeit meteorologischer Produkte.

Zu diesem Zweck hat das Europäische Zentrum für mittelfristige Wettervorhersage die Vorhersageergebnisse von FourCastNet, PGW und GraphCast basierend auf IFS-Anfangsbedingungen veröffentlicht. Florian Pappenberger sagte:Offenheit ist der Schlüssel zu Innovation, Zusammenarbeit und Entdeckung. Durch den Austausch von Daten, Methoden und Ergebnissen sowie durch Vergleiche und Analysen können wir die wissenschaftliche Entwicklung beschleunigen und letztendlich der Gesellschaft zugutekommen."

Drei öffentliche Daten der meteorologischen KI

Im Vergleich des Europäischen Zentrums für mittelfristige Wettervorhersage zeigt sich, dass KI-basierte Wettervorhersagen in einigen Leistungsaspekten bereits heute mit numerischen Wettervorhersagen vergleichbar sind und in Zukunft eine wichtige Rolle spielen werden. Jedoch,Diese Modelle verfügen noch nicht über umfassende Prognosefähigkeiten, die jedoch für die Bereitstellung wertvoller Prognosen auf mittel- bis langfristiger Zeitskala von entscheidender Bedeutung sind.

Offener Zugang, Vergleichsoptimierung und Portabilität: KI dringt mit ihren Vorteilen in die traditionelle Wettervorhersage ein. Während KI die Wettervorhersage von Supercomputern unabhängig macht, leistet sie auch bei extremen Klimaereignissen gute Dienste. Ich bin davon überzeugt, dass KI zusammen mit numerischer Wettervorhersage die Art und Weise der Wettervorhersage revolutionieren und zur Entwicklung der Landwirtschaft, Forstwirtschaft, Viehzucht, Fischerei, Schifffahrt und Luft- und Raumfahrt beitragen kann.

Referenzlinks:

[1]https://journals.ametsoc.org/view/journals/mwre/29/12/1520-0493_1901_29_551c_tpbolw_2_0_co_2.xml

[2]https://cir.nii.ac.jp/crid/1573668925699683328

[3]https://www.nature.com/articles/nature14956

[4]https://arxiv.org/abs/2202.11214

[5]https://arxiv.org/abs/2212.12794

[6]https://phys.org/news/2023-09-ai-weather-showcase-data-driven.html

[7]https://arxiv.org/abs/2307.10128

-- über--