Aurora Großformatiges Atmosphärisches Basismodell Demo
Einführung in das Tutorial
Angesichts des globalen Klimawandels und häufiger Naturkatastrophen sind genaue und zuverlässige Vorhersagen des Erdsystems von entscheidender Bedeutung, um die Auswirkungen von Katastrophen zu mildern und den Fortschritt der menschlichen Gesellschaft zu unterstützen. Obwohl herkömmliche numerische Modelle leistungsstark sind, sind ihre Rechenkosten extrem hoch, was ihre breite Anwendung einschränkt. In den letzten Jahren hat die künstliche Intelligenz im Bereich der Umweltprognosen großes Potenzial gezeigt, insbesondere bei der Verbesserung der Prognoseleistung und -effizienz. Allerdings ist das Potenzial der KI in mehreren Schlüsselbereichen des Erdsystems noch weitgehend unerforscht.
Um dieser Herausforderung zu begegnen, hat ein Forschungsteam von Microsoft und seinen Partnern Aurora auf den Markt gebracht, das erste groß angelegte atmosphärische Grundlagenmodell. Durch Vortraining mit über einer Million Stunden unterschiedlicher geophysikalischer Daten und Feinabstimmung auf mehrere spezifische Aufgaben kann es eine Vielzahl von Variablen des Erdsystems wie Luftqualität, Meereswellen, Pfade tropischer Wirbelstürme und hochauflösendes Wetter genau vorhersagen. Es senkt die Rechenkosten erheblich, übertrifft die Leistung bestehender operativer Prognosesysteme und ermöglicht einen breiten Zugang zu hochwertigen Klima- und Wetterinformationen. Es wurde nachgewiesen, dass die Rechengeschwindigkeit von Aurora etwa 5.000 Mal schneller ist als die des fortschrittlichsten numerischen Prognosesystems IFS.
Im Folgenden sind die spezifischen Forschungsergebnisse aufgeführt, die Aurora in verschiedenen Bereichen erzielt hat:
- Bei der Vorhersage der Luftqualität übertraf Aurora bei einer 5-tägigen globalen Luftverschmutzungsvorhersage ressourcenintensive numerische Simulationen der Atmosphärenchemie mit einer Auflösung von 0,4° und übertraf damit das 74%-Ziel.
- Im Bereich der Meereswellenvorhersage übertraf es teure numerische Modelle bei der 10-tägigen globalen Meereswellenvorhersage mit einer Auflösung von 0,25° auf dem Ziel 86%;
- Bei der 5-tägigen Vorhersage der Zugbahn tropischer Wirbelstürme übertraf Aurora die sieben operativen Vorhersagezentren bei weitem und erreichte bei allen Zielen eine Outperform-Rate von 100%.
- Bei 10-tägigen globalen Wettervorhersagen übertrifft Aurora modernste numerische Modelle auf dem 92%-Ziel mit einer Auflösung von 0,1° und verbessert gleichzeitig die Vorhersageleistung für Extremwetterereignisse. Auch die Vorhersage extremer Ereignisse hat sich verbessert.
In Bezug auf die Modellstruktur verwendet Aurora eine 3D-Swin-Transformer-Architektur kombiniert mit einem 3D-Perceiver-Encoder und -Decoder. Das Modell besteht aus drei Teilen: Encoder, Prozessor und Decoder. Der Encoder transformiert heterogene Eingaben in eine gemeinsame latente 3D-Darstellung, der Prozessor entwickelt sich über einen 3D-Swin-Transformer in der Zeit vorwärts und der Decoder transformiert die latente Darstellung zurück in physikalische Vorhersagen.
Verwandte Forschungsarbeiten tragen den Titel „Ein Grundlagenmodell für das Erdsystem" wurde in Nature veröffentlicht.
Dieses Tutorial verwendet Ressourcen für eine einzelne Karte A6000.
Der „Arbeitsbereich“ enthält die folgenden Demonstrationsbeispiele für Notebook-Automatisierungsskripte:
- Das Demonstrationsbeispiel ist „Vorhersage von ERA5“
Englische Version:demo_Vorhersagen für ERA5.ipynb
Chinesische Version:demo_Vorhersagen für ERA5-cn.ipynb
- Das Demonstrationsbeispiel ist „HRES T0-Vorhersage“.
Englische Version:demo_Predictions für HRES T0.ipynb
Chinesische Version:demo_Vorhersagen für HRES T0-cn.ipynb
- Das Demonstrationsbeispiel ist „HRES-Vorhersage mit einer Auflösung von 0,1 Grad“.
Englische Version:demo_Vorhersagen für HRES bei 0,1 Grad.ipynb
Chinesische Version:demo_Vorhersagen für HRES bei 0,1 Grad-cn.ipynb
- Das Demonstrationsbeispiel ist „Luftverschmutzungsprognose“.
Englische Version:demo_Vorhersagen zur Luftverschmutzung.ipynb
Chinesische Version:demo_Vorhersagen zur Luftverschmutzung-cn.ipynb
- Das Demonstrationsbeispiel ist „Vorhersage der Taifun-Nanmadol-Bahn“.
Englische Version:demo_Track-Vorhersagen für Taifun Nanmadol.ipynb
Chinesische Version:demo_Track-Vorhersagen für Taifun Nanmadol-cn.ipynb
Modelleinführung
1. Aurora-0,4-Luftverschmutzung
Aurora-0.4-Luftverschmutzung stellt einen Paradigmenwechsel in der KI für die Geowissenschaften dar und ermöglicht eine effiziente Modellierung komplexer chemischer Prozesse in der Atmosphäre durch einen datengesteuerten Ansatz. Das Modell hat seine Zuverlässigkeit in der Praxis bewiesen (z. B. durch die Integration in den Microsoft MSN-Wetterdienst) und bietet neue technische Tools für die Umweltpolitik und die öffentliche Gesundheit.
Demo-Beispiel – Luftverschmutzungsprognose
Englische Version:demo_Vorhersagen zur Luftverschmutzung.ipynb
Chinesische Version:demo_Vorhersagen zur Luftverschmutzung-cn.ipynb
2. Aurora-0,25-vortrainiert
aurora-0.25-pretrained basiert auf der innovativen 3D-Swin-Transformer-Architektur, kombiniert mit der Perceiver-Encoder-Decoder-Struktur, die flexibel mehrskalige und mehrvariable atmosphärische Daten verarbeiten kann.
Demonstrationsbeispiel - Prognose für ERA5
Englische Version:demo_Vorhersagen für ERA5.ipynb
Chinesische Version:demo_Vorhersagen für ERA5-cn.ipynb
3. Aurora-0,25-fein abgestimmt
aurora-0.25-finetuned ist eine fein abgestimmte Version des Aurora-Modells für bestimmte Aufgaben (wie z. B. Vorhersage mit einer Auflösung von 0,25°), die hohe Effizienz, Anpassungsfähigkeit an mehrere Aufgaben und hohe Genauigkeit kombiniert. Sein technischer Kern liegt in der Kombination aus flexibler Basismodellarchitektur und Training großer Datenmengen und bietet ein neues Paradigma für Vorhersageaufgaben im Bereich der Geowissenschaften.
Demonstrationsbeispiel für -HRES T0-Vorhersage
Englische Version:demo_Predictions für HRES T0.ipynb
Chinesische Version:demo_Vorhersagen für HRES T0-cn.ipynb
Demonstrationsbeispiel: Streckenprognose des Taifuns Nanmadol
Englische Version:demo_Track-Vorhersagen für Taifun Nanmadol.ipynb
Chinesische Version:demo_Track-Vorhersagen für Taifun Nanmadol-cn.ipynb
4. Aurora-0.1-fein abgestimmt
aurora-0.1-finetuned ist eine fein abgestimmte Checkpoint-Datei für leistungsstarke Aufgaben zur atmosphärischen Vorhersage. Es kann schnell 5-Tage-Vorhersagen zur globalen Luftverschmutzung und 10-Tage-Wettervorhersagen mit einer Auflösung von 0,1° (etwa 11 Kilometer) erstellen und seine Rechenleistung ist etwa 5.000-mal höher als die herkömmlicher numerischer Modelle.
Demonstrationsbeispiel einer HRES-Vorhersage mit einer Auflösung von -0,1 Grad
Englische Version:demo_Vorhersagen für HRES bei 0,1 Grad.ipynb
Chinesische Version:demo_Vorhersagen für HRES bei 0,1 Grad-cn.ipynb
Austausch und Diskussion
🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓
Zitationsinformationen
Die Zitationsinformationen für dieses Projekt lauten wie folgt:
@article{bodnar2025aurora,
title = {A Foundation Model for the Earth System},
author = {Cristian Bodnar and Wessel P. Bruinsma and Ana Lucic and Megan Stanley and Anna Allen and Johannes Brandstetter and Patrick Garvan and Maik Riechert and Jonathan A. Weyn and Haiyu Dong and Jayesh K. Gupta and Kit Thambiratnam and Alexander T. Archibald and Chun-Chieh Wu and Elizabeth Heider and Max Welling and Richard E. Turner and Paris Perdikaris},
journal = {Nature},
year = {2025},
month = {May},
day = {21},
issn = {1476-4687},
doi = {10.1038/s41586-025-09005-y},
url = {https://doi.org/10.1038/s41586-025-09005-y},
}