Li Benxia Vom National Marine Environmental Forecast Center: Das Erste Intelligente Wellenvorhersagesystem Des Landes Wurde Kommerziell in Betrieb Genommen, Und KI Hat Zu Mehreren Durchbrüchen Bei Der Wellenvorhersage Beigetragen

Vor Kurzem fand auf der 20. CCF HPC China 2024-Konferenz erfolgreich das 6. Forum für numerische Ozeanprognosen und Hochleistungsrechnen statt. Auf dieser KonferenzLi Benxia, Direktor des Wellenvorhersagebüros des National Marine Environmental Forecast Center, hielt eine Rede zum Thema „Anwendung künstlicher Intelligenz in der Wellenvorhersage“.HyperAI hat den Kerninhalt der Rede zusammengestellt, ohne die ursprüngliche Absicht zu verletzen. Nachfolgend finden Sie die Abschrift der Rede.

KI trägt dazu bei, dass intelligente Wellenvorhersagen zu einem der Branchenentwicklungstrends werden

mein Land ist eines der Länder mit den schwersten Meereskatastrophen weltweit. Die Vorhersage von Meereswellen spielt eine unverzichtbare Rolle bei der Aufrechterhaltung der Sicherheit maritimer Aktivitäten, der Förderung der wirtschaftlichen Entwicklung und dem Schutz der Meeresumwelt.Im Hinblick auf die Sicherheit auf See können Wellenvorhersagen beispielsweise Fischern dabei helfen, schwere Seebedingungen zu vermeiden und die Sicherheit der Schiffsoperationen zu gewährleisten. Im Küstentourismus können Wellenvorhersagen Touristen im Voraus warnen und Unfälle in gefährlichen Gewässern vermeiden. Im Bereich der Meeresenergieentwicklung stellt es eine wichtige Referenz für die Planung und Wartung von Offshore-Windkraft- und Gezeitenenergieanlagen dar.

Chinas Wellenvorhersage begann im Jahr 1965 und stützte sich zunächst hauptsächlich auf empirische statistische Prognosen. Später haben wir mit der Einführung numerischer Vorhersagemodelle aus dem Ausland und der Entwicklung unserer eigenen Modelle schrittweise ein betriebsbereites numerisches Vorhersagesystem aufgebaut, das die Küstengewässer Chinas, den westlichen Pazifik und die Wellen in Badegebieten abdeckt. Darüber hinaus werden Mensch-Computer-Interaktionsplattformen und Technologien zur intelligenten Netzprognose für die Ozeane immer ausgereifter.

Gemessen an der Entwicklung der Vorhersagetechnologie ist das numerische Vorhersagemodell für Meereswellen immer noch der Mainstream. Bei Taifun-Katastrophen in Küstengebieten müssen jedoch aufgrund der Ungewissheit des Taifun-Weges die Prognosen zu Taifun-Weg und -Intensität rasch aktualisiert werden. Dies setzt voraus, dass die Wellenvorhersage schnell auf diese Änderungen reagieren kann. Das numerische Wellenprognosemodell muss jedoch Prozesse wie manuelle Erfahrungskorrektur, Mensch-Computer-Plattforminteraktion und Produktfreigabe durchlaufen und kann nicht schnell auf die Nachfrage reagieren. Darüber hinaus stellt der hohe Rechenaufwand eine große Einschränkung dar.

In den letzten Jahren sind intelligente Prognosen mit der kontinuierlichen Weiterentwicklung der künstlichen Intelligenz und Computertechnologie immer ausgereifter geworden. Darüber hinaus wurden durch numerische Wellenvorhersagen in der Vergangenheit große Mengen an Trainingsdaten gesammelt, die ebenfalls eine wichtige Grundlage für die Entwicklung intelligenter Wellenvorhersagen bieten.In diesem Fall zeichnet sich die intelligente Wellenvorhersage durch ihre kurze Zeitspanne, Einfachheit, Bequemlichkeit und hohe Vorhersagegenauigkeit aus.

Intelligente Wellenvorhersagepraxis: 72-96 Stunden Vorhersage können in 1 Minute abgeschlossen werden

Intelligente Prognosetechnologie verwendet hauptsächlich Deep-Learning-Methoden, um numerische und manuelle Erfahrungsprognoseprozesse zu simulieren, und erstellt dann ein intelligentes Prognosemodell für Wellenelemente und kombiniert Cloud-Computing- und Edge-Computing-Technologien, um ein leichtes und schnelles Prognosesystem aufzubauen.

Intelligente Wellenprognosen können die Ausgabe von Wellenprognoseergebnissen zu unterschiedlichen Zeitpunkten serialisieren und parallelisieren. Ähnlich wie beim traditionellen physikalischen Modell kann die Windfeldsequenz von T0-m bis T0+n direkt verwendet werden, um die Wellenfeldsequenz von T1 bis T0+n vorherzusagen.

Zweitens können Beobachtungsinformationen durch intelligente Wellenvorhersage direkter und effektiver genutzt werden. Beispielsweise können Beobachtungsdaten wie Daten von Offshore-Bojen Chinas und Satellitendaten zur Wellenfernerkundung in das Feld der numerischen Wellenanalyse integriert werden. Diese Korrekturtechnologie kann die Genauigkeit des für das Training verwendeten Analysefelds verbessern und dadurch die Prognoseergebnisse verbessern.

Und schließlich kann die intelligente Wellenvorhersage im Vergleich zum numerischen Wellenvorhersagemodell die Berechnungszeit erheblich verkürzen und eine 72- bis 96-Stunden-Vorhersage in nur 1 Minute abschließen.

Korrektur von Trainingsdaten zur Verbesserung der Genauigkeit der Wellenvorhersage

In Bezug auf die Entwicklung intelligenter Produkte zur Wellenvorhersage erwähnte Li Benxia, dass ihr Team eine Reihe intelligenter Produkte zur Wellenvorhersage für Chinas Küstengewässer und den Nordwestpazifik entwickelt habe. Die verwendeten Trainingsdaten sind in der folgenden Abbildung dargestellt.Zu den wichtigsten verwendeten Daten gehören die atmosphärischen Reanalysedaten der fünften Generation ERA5, die vom Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF) veröffentlicht wurden, die globalen Klima-Reanalysedaten, die von den National Centers for Environmental Prediction (NCEP) der Vereinigten Staaten veröffentlicht wurden, die Wellenanalyse-Felddaten des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) und die Wellenanalyse-Felddaten, die unabhängig davon vom National Marine Environmental Forecast Center (NMEFC) entwickelt wurden.

Es ist erwähnenswert, dass das Team bei der Entwicklung der Wellentrainingsdaten besonders darauf geachtet hat, dass bei instabiler atmosphärischer Schichtung der Windenergieeintrag erheblich geringer sein kann.Wir haben eigenständig eine Methode zur Korrektur der effektiven Wellenhöhe auf Grundlage von Meerestemperaturunterschieden entwickelt, die die Genauigkeit der Wellensimulation erheblich verbessern und das Problem der Vorhersage kleiner Wellen in flachen Gewässern lösen kann.

Konkret wählten die Forscher Dutzende von Offshore-Wellenbeobachtungsbojen von Norden nach Süden entlang der Küste Chinas aus und integrierten Satellitendaten aus der Region des nördlichen Indischen Ozeans zur Korrektur.Die Beobachtungsdaten werden durch optimale Interpolation in das Wellen-Numerikanalysefeld integriert.

In bestimmten Anwendungen führten die Forscher auch eine Fusionsfeldkorrektur an Daten mit offensichtlichen systematischen Abweichungen in der Größenordnung von Ozean Nr. 2C durch. Die Ergebnisse zeigen, dassDas Fusionsfeld weist deutliche Verbesserungen bei der Systemabweichung, dem mittleren quadratischen Fehler, dem relativen Fehler und dem Streuindex innerhalb der gesamten Wellenhöhe auf, verfügt über eine hohe Echtzeitleistung und kann die Genauigkeit des numerischen Modellfelds verbessern.

Das erste betriebsbereite intelligente Wellenvorhersagesystem wurde eingeführt und hat die Expertenprüfung bestanden

Basierend auf den oben genannten Daten verwendete das Team von Li Benxia Deep-Learning-Methoden wie Vision Transformer, um ein intelligentes Wellenvorhersagesystem für Chinas Küstengewässer und den Nordwestpazifik zu entwickeln.Dies ist das erste intelligente Wellenvorhersagesystem meines Landes, das kommerziell in Betrieb genommen wurde, und es hat im Juni 2022 die Expertenprüfung bestanden.

Es ist erwähnenswert, dass Vision Transformer eine neuronale Netzwerkarchitektur ist, die auf die Verarbeitung von Sequenzdaten spezialisiert ist. Als eine der derzeit führenden Deep-Learning-Architekturen kann es Fernabhängigkeiten erfassen und die Schwierigkeiten lösen, mit denen herkömmliche RNNs bei der Verarbeitung langer Sequenzen konfrontiert sind. Es kann außerdem alle Elemente einer Sequenz gleichzeitig verarbeiten und unterstützt so hochgradig parallele Berechnungen.Die Geschwindigkeit des Modelltrainings wird erheblich beschleunigt.

Wie in der folgenden Abbildung dargestellt, wird in der Vorhersage der durchschnittlichen Periode der Meereswellen aus der Perspektive der räumlichen VerteilungseigenschaftenDieser Satz intelligenter KI-Wellenvorhersagen steht in hohem Maße im Einklang mit den operativen numerischen Wellenvorhersageergebnissen des europäischen ECMWF.

In Bezug auf die Änderung des Fehlers mit der Vorhersagezeit ist die Genauigkeit der intelligenten Wellenvorhersage durch KI mit der operativen numerischen Wellenvorhersage des ECMWF vergleichbar. Wie in der folgenden Abbildung gezeigt, führt die Fusion der beobachteten Daten zur Korrektur der Trainingsdaten zu einem besseren Wellenvorhersageeffekt (gelbe Linie).Dies zeigt, dass es notwendig ist, die beobachteten Daten bei der Wellenvorhersage zu fusionieren und zu korrigieren.

Darüber hinaus, in Bezug auf die Fehlervariation mit der Wellenhöhe,Die Prognoseergebnisse der intelligenten KI-Wellenvorhersage sind offensichtlich geringer, wenn die effektive Wellenhöhe über 4 m liegt.

Um das Problem der Unterprognose starker Seebedingungen durch Taifuns zu verbessern, wählte das Forschungsteam sorgfältig Wind- und Wellenfelder von Taifunprozessen in der Nähe der Küste Chinas aus den Jahren 2021 bis 2023 aus, um Lernbeispiele zu erstellen. Die Ergebnisse der Studie zeigten, dassDurch die Erhöhung der Lernstichproben von Taifunprozessen kann die Vorhersagegenauigkeit des intelligenten Modells für große Wellenprozesse verbessert werden. Je größer die Taifunwellen sind, desto größer ist die Verbesserung der Genauigkeit und desto gleichmäßiger wird die Vorhersage des großen Wellenbereichs in der Nähe des Taifunzentrums.

Erfolgreiche Erfolge: Intelligente Wellenvorhersage läutet eine neue Ära ein

Darüber hinaus berücksichtigte das Forschungsteam die Eigenschaften der Wellenfelder im südlichen und nördlichen Indischen Ozean, die jeweils von Windwellen und Dünungswellen dominiert werden.Es wurde ein intelligentes Wellenvorhersagemodell basierend auf dem State Force Coupled Network (SFCN) entwickelt.

Das Modell verwendet eine Zweizweigstruktur, verarbeitet Windfelder und Wellenfelder über verschiedene Zweige und realisiert eine lose Kopplung von Windfeldern und Wellenfeldern durch eine Netzwerksemantik auf hoher Ebene, wodurch eine falsche Wind-Wellen-Kopplung vermieden wird. Gleichzeitig löst es das Problem, dass herkömmliche Faltungsnetzwerke mit langem Kurzzeitgedächtnis in Gebieten mit schwachen Wind-Wellen-Beziehungen nur unzureichende Prognosefähigkeiten aufweisen. Zur Überprüfung wurde die effektive Wellenhöhe entlang der Flugbahn des Satelliten HY-2B verwendet. Die Ergebnisse zeigten, dass die Berechnungseffizienz von SFCN erheblich verbessert wurde und die Vorhersageergebnisse sehr nahe an der numerischen Vorhersage lagen.

Es ist erwähnenswert, dass das auf Grundlage dieses Modells entwickelte schiffsgestützte, leichte Vorhersagesystem bei der wissenschaftlichen Jiaolong-Expedition im Nordwestpazifik im Jahr 2023 und bei der Bordvorhersageunterstützung für Chinas 13. wissenschaftliche Arktisexpedition eingesetzt wurde und somit kommerzielle Förderung und Anwendung fand.

Derzeit untersucht das Forschungsteam ein intelligentes globales Wellenvorhersagesystem auf der Grundlage von Modellen mit Superauflösung.Die Menge der Trainingsdaten und die Rechenleistung wachsen exponentiell mit der Erhöhung der Genauigkeit, aber aufgrund der Einschränkungen des Grafikkartenspeichers und der Trainingszeit ist es schwierig, ein globales hochauflösendes Modell direkt zu trainieren. Daher plant das Forschungsteam, in zwei Schritten vorzugehen: Zunächst soll mithilfe von Swin Transformer ein globales Modell mit grober Auflösung erstellt und ein Feature Mining mit grober Auflösung durchgeführt werden. Zweitens: Erstellen Sie ein Superauflösungsmodell, um detaillierte Informationen zu ergänzen und ein hochauflösendes globales Wellenvorhersagemodell zu realisieren. Die Ergebnisse des Prognosetests sind in der folgenden Abbildung dargestellt:

Abschließend konzentrierte sich Li Benxia auf die Einführung der vom Team entwickelten Rollkorrekturtechnologie für die numerische Wellenvorhersage auf Basis maschinellen Lernens.Diese Technologie führt eine Sequenz zur Beobachtung wahrer Werte ein, die es dem neuronalen Netzwerk ermöglicht, die Differenzinformationen zwischen den bereits aufgetretenen Prognosewerten und den tatsächlichen Wellenbeobachtungen zu erhalten. Im Laufe der Zeit kann das neuronale Netzwerk die Werte zukünftiger Prognosen adaptiv anpassen und die sich ändernde Beobachtungssequenz verwenden, um die Rolling-Wave-Prognosekorrektur abzuschließen. Es eignet sich besonders für hochpräzise Wellenvorhersagen an technischen Beobachtungspunkten vor Ort in Echtzeit (z. B. Offshore-Windparks).

Als aufstrebendes interdisziplinäres Fachgebiet vereint die Ozeanographie mit künstlicher Intelligenz Wissen und Technologien aus Bereichen wie Meereswissenschaften, künstliche Intelligenz, Atmosphärenwissenschaften und Informatik und verfügt über breite Entwicklungsperspektiven. Obwohl das aktuelle datengesteuerte KI-Modell immer noch auf traditionellen numerischen Modellen basiert, müssen das Training und die Vorhersage des Modells auf numerischen Modellen und der Genauigkeit der Ergebnisse numerischer Modelle basieren.Doch in Zukunft wird die organische Kombination von KI-Prognosen und traditionellen numerischen Prognosen ein effektiver Weg sein, um Durchbrüche in der Prognosetechnologie zu erzielen.

Über Li Benxia

Dr. Li Benxia ist derzeit Direktor des Wave Forecast Office des National Marine Environmental Forecast Center. Sie ist Mitglied des Redaktionsausschusses der chinesischen Kernzeitschriften „Ocean Forecast“ und „Frontiers of Marine Science“. Sie ist außerdem nebenberuflich als Dozentin für Masterstudiengänge an der Ocean University of China tätig, als Gutachterin bei der National Natural Science Foundation of China, als Gutachterin für Dissertationen im chinesischen Bildungsministerium und als Expertin für nationale Untersuchungen zum Risiko von Meereskatastrophen.

Ihre Forschungsinteressen umfassen intelligente Meereswellenvorhersage, numerische Wellensimulation und Frühwarntechnologie, Risikobewertung und Zonierung bei Meereskatastrophen sowie Reaktion auf den Klimawandel.

Es ist erwähnenswert, dass Li Benxia einst stellvertretender Direktor des Arbeitsausschusses für Prognose- und Warnwesen der Gesellschaft für Wissenschaft und Technologie für öffentliche Sicherheit war und den Abschluss von mehr als zehn nationalen, provinziellen und ministeriellen wissenschaftlichen Forschungsprojekten leitete, darunter nationale Schlüsselprojekte für F&E-Programme, wissenschaftliche Forschungsprojekte der Meeresgemeinwohlbranche sowie Projekte zu den Themen Globaler Wandel und Wechselwirkung zwischen Meer und Luft. Als Hauptverantwortlicher schloss er die Prognose- und Garantiearbeiten für zahlreiche Aufgaben ab, beispielsweise für die großen nationalen Projekte „Prognose und Garantie der Meeresumwelt für den Bau des Tunnelprojekts Hong Kong-Zhuhai-Macao Bridge Island“, „Prognose und Garantie für den Shenzhen-Zhongshan-Kanal“ und „Prognose und Garantie der Meeresumwelt für den Probeabbau von Methanhydrat im Südchinesischen Meer“. Er hat drei nationale Standards, drei Industriestandards, drei Erfindungspatente und ein übersetztes Buch herausgegeben und mehr als 20 wissenschaftliche Artikel in wichtigen Fachzeitschriften im In- und Ausland veröffentlicht.