Kein Ersatz, Sondern Symbiose! Die Zukunft Der Wetterwissenschaften Erfordert Die Organische Kombination Von KI Und Numerischer Prognose
Das Jahr 2022 wird von Branchenkennern oft als das erste Jahr angesehen, in dem KI die Wettervorhersage verbessern wird.
Seit diesem Jahr hat die Anwendung von KI im Bereich der Meteorologie ein explosives Wachstum erfahren. Eine Reihe innovativer Methoden und Modelle wie NVIDIA DLWP und Google MetNet-2 sind wie Pilze aus dem Boden geschossen. Im In- und Ausland kam es häufig zu „ersten“, „ersten“ und „bahnbrechenden“ Ergebnissen. Insbesondere bei der Verbesserung der Prognosefähigkeiten hat KI erstaunliche Ergebnisse gezeigt. In nur wenigen Monaten wurden die Ziele erreicht, für deren Erreichung numerische Prognosen Jahrzehnte benötigten, oder sogar noch besser.
Sie sollten wissen, dass numerische Prognosen auf eine hundertjährige Geschichte zurückblicken. Es hat fast ein halbes Jahrhundert lang die rasante Entwicklung der Atmosphärenwissenschaften vorangetrieben und ist das gängige Modell der modernen Wettervorhersage. In einigen Szenarien übertrifft die Genauigkeit numerischer Prognosen die von KI, was auch in der Branche zum Nachdenken und Hinterfragen geführt hat:Steht diese klassische und seit einem Jahrhundert bewährte Methode kurz davor, von der KI eingeholt, übertroffen oder gar vollständig ersetzt zu werden?
Huang Wei, stellvertretender Direktor des Shanghai Typhoon Research Institute der China Meteorological Administration, sagte: „In absehbarer ZukunftDie organische Kombination von KI-Wettervorhersagen und traditionellen numerischen Prognosen ist der effektivste Weg, um Durchbrüche in der Prognosetechnologie zu erzielen."
Tatsächlich besteht eine natürliche Kopplungsbeziehung zwischen numerischer Prognose und KI. Numerische Prognosen können durch physikalische und mathematische Theorien erklärbare Prognoseergebnisse liefern, und KI kann Wissen und Erfahrung nutzen, um die Geschwindigkeit und Genauigkeit von Prognoseberechnungen zu verbessern. Die Komplementarität zwischen beiden könnte der Schlüssel für die zukünftige Entwicklung der Wettervorhersage sein.
Wir versuchen, den Lesern dabei zu helfen, die komplexe Beziehung und die potenziellen Möglichkeiten zwischen numerischer Prognose vom Detail bis zur Oberfläche zu verstehen, indem wir die Vergangenheit und Gegenwart der numerischen Prognose und repräsentativer hochmoderner Methoden der künstlichen Intelligenz sortieren und analysieren.
Von der Theorie zur Praxis: Ein Jahrhundert der Erforschung numerischer Prognosen
Tatsächlich war es vor dem Aufkommen numerischer Prognosen so,Extrapolierte Vorhersagen auf der Grundlage von Wetterkarten waren damals das gängige Mittel der Wettervorhersage.
Tragen Sie die Standorte von Städten, Beobachtungsstationen und großen Flüssen, Seen, Bergen und anderen geografischen Orientierungspunkten in die Basiskarte ein und zeichnen Sie gleichzeitig die meteorologischen Elemente rund um die Welt in diese Karte ein, um eine Wetterkarte zu erstellen. Durch die Analyse von Wetterkarten und basierend auf dem Prinzip, dass die meteorologische Entwicklung über einen kurzen Zeitraum kontinuierlich verläuft, können wir den aktuellen Wettertrend für einen bestimmten Zeitraum verlängern und Prognoseergebnisse erhalten.
Die auf Wetterkarten basierende extrapolierte Vorhersage kann die Bewegungs- und Änderungsmuster in der Atmosphäre nicht widerspiegeln und ihr Vorhersagewert ist stark eingeschränkt.Um genauere Wettervorhersagen zu erhalten, versuchen Meteorologen, Methoden der mathematischen Physik einzuführen, um die physikalischen Gesetze der Wetterentwicklung zu untersuchen.Es wurde eine auf quantitativer Beschreibung basierende Prognosetechnik entwickelt, aus der später die numerische Wettervorhersage hervorging.
Mit Hilfe elektronischer Computer hat die numerische Prognose stark zugenommen
Die Bewegungsbahn der Atmosphäre folgt der grundlegenden Theorie der Strömungsmechanik. Der norwegische Meteorologe Pieknes glaubt, dass „der zukünftige Zustand der Atmosphäre im Prinzip durch den Anfangszustand der Atmosphäre, die Gleichung der atmosphärischen Bewegung, die Gleichung der Massenerhaltung, die Zustandsgleichung, die thermodynamische Gleichung usw.“ bestimmt wird. Daher versucht man, diese Einflussfaktoren in einem Gleichungssystem zu kombinieren, um den Zustand der atmosphärischen Bewegung widerzuspiegeln. Dabei verwendet man die vom Wetterbeobachtungsnetz bereitgestellten Echtzeit-Meteorologieelemente der Atmosphäre als Eingabe für das Gleichungssystem, löst die variablen Werte der Gleichung im Zeitverlauf und erhält so den zukünftigen Zustand der Atmosphäre.Dies ist die Grundidee der numerischen Wettervorhersage.
Von 1916 bis 1919 führte der Brite Dr. Richardson die ersten praktischen Berechnungen zur numerischen Vorhersage durch, doch das Experiment war ein völliger Fehlschlag. Später kam er zu dem Schluss:Diese Art der Vorhersage erfordert viele Berechnungen.Selbst mit Hilfe manueller Rechner ist es schwierig, das Wetter vorherzusagen, bevor es eintrifft. „Obwohl die Ergebnisse dieses Versuchs nicht gut waren, demonstrierte er der Außenwelt den grundlegenden Berechnungsprozess, die Schritte und die Probleme der numerischen Wettervorhersage und bot damit eine gute Lernerfahrung für zukünftige Generationen.“
1946 wurde der weltweit erste elektronische Computer ENIAC mit einer Rechengeschwindigkeit von bis zu 5.000 Additionsoperationen pro Sekunde auf den Markt gebracht. Seitdem war von Neumann, bekannt als „Vater des Computers“, stets von herausragenden Meteorologen aus aller Welt umgeben. Ihr Ziel ist es,Verwenden Sie die neu erfundenen elektronischen Computer, um genaue numerische Wettervorhersagen zu erstellen.
Im Jahr 1950 gelang es den amerikanischen Wissenschaftlern Charney, Feyerfuss und von Neumann auf der Grundlage früherer Erfahrungen erstmals, auf dem ENIAC eine 24-Stunden-Vorhersage von 500 hPa-Wetterbedingungen zu berechnen.Dies war die erste erfolgreiche numerische Wettervorhersage.Es ist auch ein Wahrzeichen. Seitdem hat die Forschung zur numerischen Wettervorhersage eine Phase dynamischer Entwicklung durchlaufen und zahllose Wissenschaftler und Institutionen im In- und Ausland haben sich der Entwicklung dieses Gebiets gewidmet.
China Meteorological Administration: Halten Sie an unabhängiger Forschung und Entwicklung fest und beherrschen Sie die vierdimensionale variationelle Datenassimilationstechnologie
Im Jahr 1975Das Europäische Zentrum für mittelfristige Wettervorhersage (EZMW) wurde gegründet.Im vierten Jahr seiner Gründung veröffentlichte es Produkte zur mittelfristigen numerischen Wettervorhersage und etablierte sich schrittweise zu einer führenden Position auf dem Gebiet der numerischen Wettervorhersage weltweit. Heute verfügt das ECMWF über das fortschrittlichste numerische Wettervorhersagesystem der Welt. Es arbeitet mit den nationalen Wetter- und Hydrologiebehörden von 34 Mitgliedsstaaten und kooperierenden Mitgliedsstaaten zusammen, um neue Serviceprodukte zu entwickeln und die Prognosequalität zu bewerten und zu diagnostizieren. Es versteht sich, dass die Wetterdienste der Mitgliedsstaaten das Privileg genießen, die vom Zentrum täglich in Echtzeit erstellten numerischen Wettervorhersageprodukte und -dienste zu erhalten. Solche Dienste werden Kunden in mehr als 30 Ländern auch über kommerzielle Kanäle angeboten.
China ist jedoch kein Mitglied des ECMWF.
In der frühen Entwicklungsphase stand das numerische Prognosemodell meines Landes vor einer Entscheidung: Sollte es die fortschrittlichste numerische Prognose des ECMWF übernehmen oder eine unabhängige nationale numerische Prognose entwickeln? Die direkte Einführung spart Zeit und Aufwand, aber die Kernprognosetechnologie des ECMWF, die vierdimensionale variationelle Datenassimilationstechnologie, wurde anderen Ländern nie zugänglich gemacht. „Um nicht von europäischen und amerikanischen Ländern erwürgt zu werden,China muss Kerntechnologien beherrschen". Sagte Sun Jian, Mitglied des Global Numerical Weather Forecast System Engineering and Technology Teams des Earth System Numerical Prediction Center der China Meteorological Administration.
* Dreidimensionale variationelle Datenassimilation: Es wird angenommen, dass Daten zum atmosphärischen Zustand zu mehreren Zeitpunkten, wie etwa Temperatur, Luftfeuchtigkeit, Luftdruck, Windgeschwindigkeit usw., gleichzeitig vorliegen und diese mithilfe numerischer Prognosemodelle berechnet werden, um die Wetterbedingungen zu einem bestimmten Zeitpunkt in der Zukunft zu ermitteln.
* Vierdimensionale variationelle Datenassimilation: Basierend auf der dreidimensionalen variationellen Datenassimilation werden Informationen der Zeitdimension hinzugefügt, um die Daten zum atmosphärischen Zustand zu mehreren Zeitpunkten zu verknüpfen, die Änderungsbeziehung zwischen den Daten zu ermitteln und dann das zukünftige Wetter durch Modellberechnungen abzuschätzen.
Das Nationale Klimazentrum wurde 1995 gegründet. Nach zehn Jahren Forschung und Entwicklung führte das Nationale Klimazentrum 2005 erfolgreich das NCC-Klimavorhersagemodellsystem ein. Als dynamisches Klimamodellsystem der ersten Generation zur kurzfristigen Klimavorhersage in meinem Land wurde es schnell in Betrieb genommen und spielte eine unermessliche Rolle bei der Katastrophenvorbeugung und -minderung sowie den meteorologischen Unterstützungsdiensten des Landes.
Durch kontinuierliche unabhängige Innovationen und Durchbrüche wurden in meinem Land nacheinander Geschäftssysteme der zweiten und dritten Generation für kurzfristige Klimamodellprognosen eingeführt, die zu einem unverzichtbaren Teil des modernen Klimageschäftssystems geworden sind. Um die Entwicklung der Wettervorhersagetechnologie weiter voranzutreiben, hat die China Meteorological Administration eine Innovationsbasis für numerische Vorhersagen und ein Zentrum für numerische Vorhersagen eingerichtet und wichtige Durchbrüche in der vierdimensionalen Variationsassimilation, im modelldynamischen Rahmen und in der Satellitendatenassimilationstechnologie erzielt.
Im Jahr 2021 gewann das numerische Wettervorhersagesystem meines Landes erneut den National Science and Technology Progress Award und stellte damit einen weiteren Meilenstein in der Entwicklung der Branche dar. Im Januar 2024 gab die China Meteorological Administration bekannt, dass ihr unabhängig entwickeltes Global Assimilation Forecast System (CMA-GFS) V4.0 offiziell in Betrieb genommen wurde. Nach diesem Upgrade hat die Anzahl der verfügbaren Vorhersagetage in der nördlichen Hemisphäre 8 Tage überschritten und die globale räumliche Auflösung der Vorhersage wurde von 25 Kilometern auf 12,5 Kilometer erhöht. Chinas Assimilationstechnologie hat international führende Erfolge erzielt.Mein Land ist eines der wenigen Länder der Welt, das unabhängig ein globales vierdimensionales System der variationellen Assimilation entwickelt hat.
Obwohl in den letzten Jahrzehnten bei der numerischen Vorhersage erhebliche Fortschritte erzielt wurden, benötigen selbst heutige Supercomputer angesichts der enormen Mengen an Beobachtungsdaten aus der Satellitenfernerkundung, Radarbeobachtungen, Flugzeugbeobachtungen, Schiffsbeobachtungen und Offshore-Bojen immer noch mehrere Stunden Simulationszeit, um eine dreitägige Wettervorhersage zu erstellen.Die Verarbeitung riesiger Informationsmengen stellt große Herausforderungen an die Computerressourcen dar.
Die Welle der Technologie reißt nie ab. Mit dem Aufkommen der künstlichen Intelligenz hat diese Technologie, die „für die Verarbeitung großer Datenmengen konzipiert“ ist, große Aufmerksamkeit erregt, da sie schnellere Rechengeschwindigkeiten, eine höhere Vorhersagegenauigkeit und geringere Kosten für Wettervorhersagen ermöglichen kann.
Durch die Lösung dreier Hauptprobleme erreicht die KI-Wettervorhersage eine doppelte Verbesserung hinsichtlich Genauigkeit und Geschwindigkeit
Auf maschinellem Lernen basierende Wettervorhersagen können Vorhersagemodelle auf der Grundlage historischer meteorologischer Daten (einschließlich Beobachtungs- und Analysedaten) trainieren. Dieses Modell kann Faktoren im Datensatz identifizieren und erlernen, die sich nicht einfach durch explizite Gleichungen ausdrücken lassen, und so die Vorhersagegenauigkeit verbessern.
Bis die Modelle des maschinellen Lernens den Sprung zu genaueren Vorhersagen schaffen, sind sie jedoch noch mit zahlreichen Herausforderungen konfrontiert.Es gibt drei Hauptprobleme: iterative Fehlerakkumulation, spärliche hochauflösende Daten und Glättung extremer Wettervorhersagen.In den letzten Jahren haben sowohl die Wissenschaft als auch die Industrie Anstrengungen unternommen, um diese drei großen Herausforderungen zu bewältigen und die KI-gestützte Wettervorhersage sowohl hinsichtlich ihrer Genauigkeit als auch ihrer Geschwindigkeit zu verbessern.
Pangu-Weather löst das Problem der iterativen Fehlerakkumulation
Im Hinblick auf die Lösung der iterativen Fehlerakkumulation, im Juli 2023,Forscher der Huawei Cloud haben Pangu-Weather auf den Markt gebracht, ein globales KI-Wettervorhersagemodell.Dieses Modell ist die erste KI-Methode, deren Vorhersagegenauigkeit die herkömmlicher numerischer Prognosemodelle übertrifft. Die Vorhersagegeschwindigkeit kann um mehr als das 10.000-fache erhöht werden. Das Modell hat eine horizontale räumliche Auflösung von 0,25° × 0,25° und eine zeitliche Auflösung von 1 Stunde und deckt 13 vertikale Schichten ab. Es kann feinkörnige meteorologische Eigenschaften genau vorhersagen und meteorologische Ergebnisse wie Potenzial, Luftfeuchtigkeit, Windgeschwindigkeit, Temperatur und Luftdruck auf Meereshöhe in Sekundenschnelle vorhersagen.
Pangu-Weather löst das seit langem bestehende Problem der unzureichenden Genauigkeit von KI-Wettervorhersagemodellen: Da atmosphärische Phänomene im Wesentlichen dreidimensional sind, unterliegen KI-Wettervorhersagemodelle, die auf zweidimensionalen neuronalen Netzwerken basieren, bei der Verarbeitung ungleichmäßiger 3D-Wetterdaten bestimmten Einschränkungen. Darüber hinaus fehlen datengesteuerten KI-Methoden mathematische und physikalische Mechanismusbeschränkungen, und es kommt bei langen Prognoseiterationen weiterhin zu iterativen Fehlern.
Als Reaktion darauf schlug das Pangu-Team auf kreative Weise einen 3D-erdspezifischen Transformator vor, der sich an das Koordinatensystem der Erde anpasst und eine hierarchische Zeitbereichsaggregationsstrategie verwendet, um die Anzahl der Prognoseiterationen zu reduzieren.Dadurch wird der Iterationsfehler verringert.Die Forschungsergebnisse wurden in Nature unter dem Titel „Accurate medium-range global weather forecasting with 3D neural networks“ veröffentlicht.
Papieradresse:https://www.nature.com/articles/s41586-023-06185-3
Obwohl Pangu-Weather Vorhersagen mit einer Auflösung von 0,25° erreicht hat, hoffen viele Meteorologen immer noch auf Wettervorhersagen mit höherer Auflösung, um detailliertere Vorhersageergebnisse zu erhalten.
FengWu-GHR löst das Problem der Knappheit hochauflösender Daten
Um das Problem der Datenknappheit bei hoher Auflösung zu lösen, werden wir im März 2024Das Shanghai Artificial Intelligence Laboratory hat in Zusammenarbeit mit dem National Meteorological Center, dem National Meteorological Information Center, der Nanjing University of Information Science and Technology, der Hong Kong University of Science and Technology und anderen Institutionen das globale hochauflösende KI-Wettervorhersagemodell FengWu-GHR veröffentlicht.Dieses Modell ist das erste KI-Wettermodell, das die Vorhersageauflösung auf 0,09° (9 km x 9 km) verbessert und mittelfristiges Wetter auf der 10-Kilometer-Ebene modellieren und vorhersagen kann. Im Vergleich zu den bisherigen 0,25° ist die Entfernungsgenauigkeit mehr als 7-mal so hoch und die effektive Vorhersagezeit erhöht sich von 10,75 Tagen auf 11,25 Tage.
Die Forschungsarbeit wurde auf arXiv unter dem Titel „FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting“ veröffentlicht.
Papieradresse:https://arxiv.org/abs/2402.00059
Aufgrund der bisherigen Beobachtungstechnologie sind hochauflösende Daten rar. Die Forscher schlugen auf innovative Weise räumliche Konsistenzzuordnung und entkoppelte kombinierte Transferlerntechniken vor, die die sekundäre Modellierung regionaler atmosphärischer Aktivitäten verbessern, indem sie das Vorwissen des vorab trainierten Modells anhand von Reanalysedaten mit niedriger Auflösung erlernen und es mit einer kleinen Menge hochauflösender Echtzeit-Betriebsanalysedaten kombinieren.Lösen Sie das Problem des Mangels an hochauflösenden Daten.
Pangu-Weather verwendete früher zu jedem Vorhersagezeitpunkt ein separates Trainingsmodell, um das Problem der Fehlerakkumulation zu lösen. Diese Methode ist effektiv, aber die Trainingskosten sind sehr hoch. Wir haben jedem Schritt des Vorhersageprozesses ein LoRA-Modul hinzugefügt und jeden Schritt mit einer kleinen Anzahl von Parametern trainiert. Dies entspricht einem neuen Modell für jeden Schritt der Vorhersage, erfordert aber nur eine kleine Anzahl von Parametern, was den Rechenaufwand erheblich reduziert. sagte Su Rui, ein junger Forscher am Shanghai Artificial Intelligence Laboratory.
Darüber hinaus gibt es nur sehr wenige Daten zu extremen Wetterereignissen. Datenbasierte KI-Modelle neigen dazu, die Ergebnisse bei der Vorhersage extremer Wetterereignisse zu glätten. Die Verbesserung der Genauigkeit von Extremwettervorhersagen ist ebenfalls ein schwieriges Problem, das in Zukunft gelöst werden muss.
Aurora Extremwetter 5.000-mal schneller vorhersagen
Um das Problem der Glättung extremer Wettervorhersagen zu lösen, werden im Mai 2024Microsoft hat Aurora veröffentlicht, sein erstes groß angelegtes atmosphärisches Basismodell.Das Modell wurde anhand von über einer Million Stunden unterschiedlicher Wetter- und Klimasimulationen trainiert. Durch die hohe räumliche Auflösung von 0,1° (etwa 11 Kilometer am Äquator) kann es die komplexen Details der atmosphärischen Bewegung erfassen und in weniger als 1 Minute genaue, hochauflösende Wettervorhersagen für 10 Tage liefern. Die Rechengeschwindigkeit ist 5.000-mal schneller als die des fortschrittlichsten numerischen Prognosesystems IFS.
Noch überraschender ist, dass das Modell die Vorhersage extremer Wetterereignisse verbessern kann, etwa der raschen Verschlimmerung schwerer Wetterereignisse wie dem Sturm Xialan. Die Forschungsergebnisse wurden auf arXiv unter dem Titel „Aurora: A Foundation Model of the Atmosphere“ veröffentlicht.
Papieradresse:Https://http://arxiv.org/abs/2405.13063
Aurora ist für die Verarbeitung heterogener Goldstandard-Eingaben und die Generierung von Vorhersagen mit unterschiedlicher Auflösung und Genauigkeit konzipiert. Das Modell besteht aus einem flexiblen 3D-Swin-Transformer und Perceiver-basierten Encodern und Decodern, die in der Lage sind, atmosphärische Variablen über verschiedene räumliche und Druckniveaus hinweg zu verarbeiten und vorherzusagen.
Durch Vortraining anhand eines großen und vielfältigen Datensatzes und dessen anschließende Feinabstimmung für eine bestimmte Aufgabe kann Aurora die komplexen Muster und Strukturen der Atmosphäre erfassen.Selbst wenn es für bestimmte Aufgaben mit begrenzten Trainingsdaten, wie etwa extremes Wetter, feinabgestimmt wird, verfügt es immer noch über hervorragende Vorhersagefähigkeiten.
Zusätzlich zu den drei oben genannten Errungenschaften erweitern die Entwicklungen zahlreicher KI-Wettermodelle, wie beispielsweise FourCastNet von NVIDIA, GraphCast von Google DeepMind, SwinVRNN von Alibaba, NowcastNet der Tsinghua-Universität und der China Meteorological Administration sowie Fuxi von der Fudan-Universität, ständig die Grenzen der KI-Wettervorhersage.
Es ist erwähnenswert, dass die Meteorologische Verwaltung meines Landes im Mai 2024 den „Katalog für Spezialdaten zum Training großer meteorologischer Modelle mit künstlicher Intelligenz“ veröffentlicht hat, um die Anwendung künstlicher Intelligenz im meteorologischen Geschäft weiter zu beschleunigen. Darin werden sechs Big Data-Ressourcen/-Produkte offengelegt, darunter das Produkt der globalen atmosphärischen Reanalyse der China Meteorological Administration (Version 1.5), das globale Wettermodellprodukt des Global Assimilation and Forecasting System (CMA-GFS) der China Meteorological Administration (Version 4.0), das Produkt der China Meteorological Administration für globale marine meteorologische Echtzeitanalyse, der globale Datensatz tropischer Wirbelstürme, der globale Datensatz zur Bodenkompilierung, der globale Datensatz zur Kompilierung der oberen Luftschichten usw. Ziel dieser Maßnahme ist es, allen Bereichen der Gesellschaft einen bequemen Zugriff auf Datenressourcen zu ermöglichen, um ihre Forschung, Entwicklung und Innovation bei der Anwendung künstlicher Intelligenz, insbesondere im Bereich der Meteorologie, zu unterstützen und zu beschleunigen.
Man kann sagen, dass sich die KI-Wettervorhersage sowohl in technologischer als auch in politischer Hinsicht in einer goldenen Phase rasanter Entwicklung befindet und seitens „Regierung, Industrie, Wissenschaft und Forschung“ große Aufmerksamkeit erhält.
KI in Kombination mit traditionellen numerischen Prognosen kann noch weiter gehen
Künstliche Intelligenz gilt als derzeitiger Technologieführer und Liebling aller Bereiche und wird als neue Kraft angesehen, die das Gebiet der Atmosphärenwissenschaften auf den Kopf stellen kann.Allerdings mangelt es noch immer an der Erklärbarkeit und Glaubwürdigkeit der KI.„Black Box“-KI-Modelle gewinnen Informationen direkt aus riesigen Datenmengen und müssen sich nicht an die Gesetze der Physik halten, was es für Meteorologen schwierig macht, die treibende Kraft hinter KI-Prognosen zu verstehen.
Der Schwerpunkt liegt auf der traditionellen numerischen Prognosemethode und basiert auf der Theorie der meteorologischen Dynamik, die mathematisch ausgedrückt und mit partiellen Differentialgleichungen integriert sowie mit Techniken der Strömungsdynamik-Programmierung implementiert wird. Es kann äußerst zuverlässige und erklärbare Prognoseergebnisse liefern, was eine sehr notwendige Ergänzung zu KI-Methoden darstellt.
Tatsächlich betreiben die Meteorologen unseres Landes aktiv Spitzenforschung zur Integration von KI und traditioneller numerischer Prognose. Im Mai 2024 veröffentlichte das Team von Xu Hongxiong, einem Forscher am State Key Laboratory of Severe Weather der Chinesischen Akademie der Meteorologischen Wissenschaften, ein bahnbrechendes Forschungsergebnis. Sie kombinierten erfolgreich das KI-Wettervorhersagemodell Pangu-Weather mit dem regionalen numerischen Prognosemodell WRF-ARW. Dies ist die erste Anwendung eines KI-Wettermodells zur Erstellung regionaler numerischer Prognosen. Es erfasst nicht nur die wichtigsten physikalischen Prozesse extremer Wetterereignisse, sondern verlängert auch den effektiven Vorhersagezeitraum von 400 mm Niederschlag auf 8,5 Tage und verbessert so die Prognosefähigkeit erheblich.
Die Studie mit dem Titel „Verbesserung der Vorhersage katastrophaler Extremniederschläge in Nordchina durch das KI-gesteuerte regionale WRF-Modell von Pangu-Weather“ wurde in Environmental Research Letters veröffentlicht.
Link zum Artikel:
https://iopscience.iop.org/article/10.1088/1748-9326/ad41f0
Mit der Weiterentwicklung der Wettervorhersage wird die Kombination von KI mit traditionellen numerischen Prognosen unter den meisten Experten zum Konsens. Es dürfte für die KI schwierig werden, die führende Rolle im Verständnis von Wetter, Temperatur und Luftfeuchtigkeit zu übernehmen. Auch die klassischen numerischen Prognosemethoden, die sich seit Hunderten von Jahren bewährt haben, müssen mit der Zeit Schritt halten und angesichts der häufigen Wetterextreme und der Schwierigkeit, heutzutage genaue Vorhersagen zu treffen, kontinuierlich weiterentwickelt werden. Nur wenn sich alte und neue Methoden ergänzen, können wir hoffen, angesichts unbekannter Herausforderungen eine zuverlässigere und effizientere kombinierte Methode zu entwickeln und abzuleiten. Dies ist möglicherweise die beste Methode, um das Wetter in der Zukunft vorherzusagen.
HyperAI verfolgt weiterhin die bahnbrechenden Errungenschaften von AI4S.Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen.Das Spezialthema KI+Meteorologie lässt sich wie folgt zusammenfassen:
https://github.com/hyperai/awesome-ai4s
Quellen:
https://iap.cas.cn/gb/kxcb/kpwz/202004/t20200417_5551357.html
https://www.metax-tech.com/en/ndetail/12503.html
http://paper.people.com.cn/rmzk/html/2024-04/29/content_26056178.htm
https://www.eurekalert.org/news-releases/1007746