Die Fähigkeit, extremwetterereignisse vorauszusagen, wird immer wichtiger, da solche Bedingungen häufiger und zerstörerischer werden. Subsaisonale Klimavorhersage – das Vorhersagen von Wetterbedingungen für zwei oder mehr Wochen in der Zukunft – bildet die Grundlage proaktiver Entscheidungsfindung und Risikomanagement in Sektoren, die anfällig für Wetterschwankungen sind. Diese Art der Vorhersage kann Farmers helfen, bessere Entscheidungen über die Anbauarten und die Verwaltung von Wasserressourcen in trockengefallenen Regionen zu treffen. Stromversorgungsunternehmen können Angebots- und Nachfragegleichgewichte ausbalancieren, während Fischereibetriebe sich vor marinen Hitzeperioden schützen können. Regierungen können sich auf Naturkatastrophen und öffentliche Gesundheitsgefahren vorbereiten, indem sie mobile Brandbekämpfungseinheiten und Infrastrukturen zur Abmilderung von Hitzegefahren in Regionen bereitstellen, wo die subsaisonale Prognose schlechter ist. Die Nutzung von KI-Modellen zur Wetter- und Klimavorhersage hat in den letzten zwei Jahren im Forschungsbereich rapide an Bedeutung gewonnen und findet nun auch zunehmend Anwendung in betrieblichen Umgebungen. Die NVIDIA Earth-2 Plattform unterstützt sowohl die wissenschaftliche als auch die Unternehmensgemeinschaft durch eine leistungsfähige und skalierbare Stack von Werkzeugen. Diese Plattform nutzt KI-Modelle, um große Ensemble-Vorhersagen für probabilistische subsaisonale Prognosen zu erstellen, und zwar zu erheblich geringeren Rechenkosten als traditionelle Methoden ohne KI. Eines der Hauptvorteile von KI-Wettermodellen ist die Möglichkeit, viel größere operative Ensembles zu generieren als mit traditionellen Methoden, und zwar zu Rechenkosten, die um mehrere Größenordnungen niedriger sind. Forscher der University of California, Berkeley, haben dieses Jahr eine effektive Methode zur Erstellung von gut kalibrierten, mehrtausendgliedrigen Ensembles ("Huge Ensemble" oder HENS) unter Verwendung der Bred Vector/Multi Checkpoint (BVMC) Methode demonstriert. Unternehmen wie JBA und AXA nutzen diese HENS-Methode mit dem FourCastNet V2 (SFNO) Modell für Hindcasting-Anwendungen in der Versicherungsbranche. Die neueste Version von Earth2Studio bringt eine neue S2S (subsaisonale bis saisonale) Vorhersagefunktion mit ins Spiel, die im Kontext des Deep Learning Earth System Models (DLESyM) gezeigt wurde. DLESyM ist ein minimalistisches Deep-Learning-Modell, das ein mehrschichtiges Atmosphären-KI-Modell mit einem separaten Ozean-KI-Modell zur Vorhersage der Entwicklung der Seewassertemperaturen koppelt. Die Architektur dieses Modells ist ein U-Net mit angepassten Padding-Operationen, um die Verwendung des HEALPix-Gitters mit einer Auflösung von etwa 1 Grad zu ermöglichen. Da es auf lokalen Stencils basiert, die keine Positionsembeddings verwenden, hat dieses Modell das Potenzial, sich zu verallgemeinern. Es wurde gezeigt, dass das Modell eine realistische Fähigkeit besitzt, auf monatlichen Zeithorizonten zu erwarteten klimatologischen Fehlerquoten anzunähern. Forscher der University of Washington konnten nachweisen, dass es außergewöhnliche autoregressive Stabilität bei klimaskalen Simulationsaufgaben aufweist. S2S-Vorhersagen sind jedoch inherently probabilistisch, nicht deterministisch. Sie geben nicht die genauen Wetterbedingungen an einem bestimmten Tag monate im Voraus vorher, sondern liefern die Wahrscheinlichkeit, dass saisonale Bedingungen von der Norm abweichen. Diese Vorhersagen werden häufig in Form von Wahrscheinlichkeiten für Tercile ausgedrückt: die Wahrscheinlichkeit, dass die bevorstehende Saison in den oberen Drittel (über dem Normalwert), mittleren Drittel (nahe am Normalwert) oder unteren Drittel (unter dem Normalwert) der historischen Klimaverteilung für Variablen wie Temperatur oder Niederschlag liegt. Vor der Verfügbarkeit dieses neuen Modells haben Unternehmen die HENS-Methode mit dem FourCastNet V2 (SFNO) Modell zur S2S-Vorhersage erweitert. Forscher der University of California, Irvine, haben gezeigt, dass es im Vorhersagvermögen für die Madden-Julian-Oszillation (MJO) – eine der wichtigsten Quellen für S2S-Vorhersagbarkeit in der Atmosphäre – ebenso fähig ist wie das ECMWF-Vorhersagesystem. NVIDIA Earth2Studio bietet nun ein neues S2S-Rezept für Benutzer, die HENS-SFNO, DLESyM oder andere Modelle zur Erstellung von S2S-Vorhersagen ausprobieren möchten. Dieses Rezept berücksichtigt die Notwendigkeit größerer Ensembles und längere Vorhersagezeiträume. Es unterstützt die verteilte Inferenz auf mehreren GPUs sowie parallele E/A-Operationen, um Vorhersagedaten effizient zu speichern, während sie generiert werden. Es ermöglicht auch das Speichern nur eines Teils der Vorhersageausgänge, falls Speicherplatz knapp ist. Komplexe Aspekte der Ensemble-Generierung sind bereits vorab bearbeitet, sodass die Steuerung des Verhaltens auf die Angabe einer Konfiguration reduziert wird. Mit diesem neuen Rezept können Domänenexperten nun große Ensemble-Vorhersagen von HENS FourCastNet V2 (SFNO) und DLESyM erstellen, um das Vorhersagevermögen und die Kalibrierung dieser Modelle zu verstehen und zu validieren. Sie können zum Beispiel untersuchen, wie die Vorhersageunsicherheit durch Störungen der Anfangsbedingungen oder alternative Modelldateien beeinflusst wird. Dies ermöglicht die Erstellung von qualitativ hochwertigen, kalibrierten Ensemble-Vorhersagen, die als Basis dienen, um zusätzliche Strategien für optimale AI-Vorhersagekalibrierung auf S2S-Zeithorizonten zu erforschen. Als beispielhafter Einsatz zeigt das Rezept, wie S2S-Vorhersagen für die Hitzwelle im Pazifischen Nordwesten 2021 generiert werden können. Diese unbefangene Ereignis war bemerkenswert in ihrer Intensität und Dauer und schwierig zu prognostizieren auf S2S-Zeithorizonten, wie in einer Studie im "Geophysical Research Letters" veröffentlicht wurde. Obwohl kein Modell sowohl Standort als auch Intensität der Hitzwelle perfekt erfasst, zeigen alle Modelle Already drei Wochen im Voraus Vorhersagen von warmen Anomalien in Nordamerika, wobei die Genauigkeit zwischen HENS-SFNO, IFS ENS und DLESyM variiert. Um die Einführung von KI für S2S-Vorhersagen zu beschleunigen, müssen Domänenexperten die Modelle und ihre Fähigkeiten robuster bewerten. Open-Source-Bibliotheken senken die Schwellenhindernisse für die erforderlichen KI-Fähigkeiten. Sie bieten auch Rückmeldungen zur zukünftigen Entwicklung von Modellen an die KI/ML-Forschergemeinschaft. Der AI Weather Quest-Wettbewerb des European Centre for Medium-Range Weather Forecasting (ECMWF) zielt darauf ab, die Gemeinschaft bei der Weiterentwicklung von S2S-Vorhersagen zu beschleunigen. Während NVIDIA-Ingenieure sich auf diesen Wettbewerb vorbereiten (neben Forschern der University of Washington), arbeiten wir daran, die Earth-2-Tools mit den von ECMWF bereitgestellten Tools für den Weather Quest-Wettbewerb zu kombinieren. Dies sollte ermöglichen, dass die Gemeinschaft schneller Iterationen durchläuft, um Modelle mithilfe des ECMWF-AI-WQ-Pakets direkt mit in Earth2Studio generierten Vorhersagedaten zu bewerten und benutzerdefinierte Modelle in PhysicsNeMo zu trainieren. Diese sind die gleichen Werkzeuge, die von NVIDIA-Forscherteams verwendet werden, und wir hoffen, dass der Austausch diese anderen Forschern ermöglicht, ihre Ideen schnell weiterzuentwickeln. Effiziente Inferenz und Bewertung großer S2S-Ensemble-Vorhersagen ist ein wesentlicher Teil des wissenschaftlichen Prozesses. Das ordnungsgemäße Bewerten von Modellen erfordert das Bewerten vieler Vorhersagen, um deren Leistungsfähigkeit zu bestimmen. Um diesen ressourcenintensiven Prozess zu beschleunigen, kann Earth2Studio nun große S2S-Ensemble-Vorhersagen effizient durchführen und bewerten. Zum Beispiel können DLESyM-Ensemble-Vorhersagen mit mehreren Atmosphären- und Ozeanmodellen für ein gesamtes Jahr in weniger als zwei Stunden auf acht GPUs durchgeführt und bewertet werden. Abbildung 2 zeigt ein Beispiel für diese Bewertungsergebnisse, die auch demonstrieren, dass das DLESyM-Modell im Allgemeinen eine wettbewerbsfähige S2S-Leistung aufweist, die sich in den Wochen drei bis fünf mit der ECMWF IFS messen kann. Allerdings fällt das Modell in den früheren Wochen hinsichtlich der Vorhersagegüte zurück, da die Modellstreubreite reduziert ist. Zusammenfassend ist S2S-Vorhersage für eine Vielzahl von klimasensiblen Sektoren entscheidend. Dieser Beitrag diskutierte die neuen Funktionen in Earth2Studio, die Unternehmen ermöglichen, vorgebildete Atmosphäre-Ozean-koppelte KI-Vorhersagemodelle wie DLESyM zu evaluiieren und zu validieren, um Ensemble-Vorhersagen zu generieren. Hier sind einige Ressourcen, um loszulegen: Mehr über die Earth-2-Plattform erfahren Sie in diesen GTC-Sessions. Diese Ressourcen bieten weitere Einblicke, wie Unternehmen KI nutzen, um große Ensemble-Vorhersagen zu erstellen. Die NVIDIA Earth-2 Plattform revolutioniert die Wetter- und Klimavorhersage durch die Bereitstellung von skalierbaren und leistungsfähigen KI-Tools. Die neue S2S-Funktion in Earth2Studio ermöglicht es Domänenexperten, komplexere Szenarien zu analysieren und zu validieren, was die Qualität und Genauigkeit von Vorhersagen erheblich verbessert. Die Kombination mit offenen Quellcodes und Wettbewerben wie dem AI Weather Quest fördert zudem die Weiterentwicklung und Anpassung von KI-Modellen, um den Anforderungen der Zukunft gerecht zu werden.