Apprentissage Automatique Vs. Prévision Météorologique Numérique : Comment L'ia Peut Modifier Le Modèle De Prévision Météorologique Existant
La prévision numérique du temps est la méthode la plus courante de prévision météorologique. Il résout l'état du système terrestre grille par grille grâce à l'intégration numérique, qui est un processus de raisonnement déductif.
Cependant, à mesure que la résolution des prévisions météorologiques continue d’augmenter et que le temps de prévision s’allonge progressivement, la puissance de calcul requise pour le modèle NWP a augmenté rapidement, limitant son développement. D’autre part, les prévisions météorologiques basées sur les données et l’intelligence artificielle se développent rapidement et ont dépassé les méthodes traditionnelles dans certains domaines.
Quelle est la précision des prévisions météorologiques actuelles basées sur l’apprentissage automatique ? Comment l’intelligence artificielle va-t-elle changer les prévisions météorologiques ? Cet article compare plusieurs modèles de prévisions météorologiques basés sur l’apprentissage automatique et se penche sur le développement futur des prévisions météorologiques.
Auteur | Xuecai
Rédacteur | Sanyang
Prévision météorologique numérique : 45 milliards d'équations aux dérivées partielles
La prévision numérique du temps (PNT) est la méthode la plus répandue dans le domaine des prévisions météorologiques.. Dès le début du XXe siècle, Abbe et Bjerknes ont proposé que les gens pourraient utiliser les lois de la physique pour prédire le temps. En prenant les conditions météorologiques actuelles comme valeur initiale, ils pourraient intégrer et résoudre les problèmes météorologiques futurs. Cependant, les recherches en météorologie à cette époque n’étaient pas suffisamment approfondies et le niveau de calcul était relativement arriéré, de sorte que cette idée n’a pas pu être réalisée.
En 1950, l'Université de Plunder a tenté d'utiliser le premier ordinateur électronique pour effectuer des prévisions météorologiques. En 1954, les prévisions météorologiques en temps réel ont été mises en œuvre pour la première fois à Stockholm.
Résoudre un système d'équations différentielles basé sur les lois de la physique dans chaque cellule de maillage
Jusqu'aux années 1970,L'avènement des superordinateurs a permis de résoudre l'ensemble des équations proposées par Abbe et Bjerknes. En 1979, le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) a compilé la première prévision météorologique à moyen terme, ouvrant ainsi le chapitre du Système intégré de prévision (SIP).
Cependant, Edward N. Lorenz a résumé l’expérience de ses prédécesseurs.Il a suggéré que le système météorologique est un système chaotique, peut changer radicalement avec de légères modifications des variables. d'autre part,Il est également difficile pour les gens de comprendre pleinement l’état initial du système météorologique.. À cette fin, la communauté universitaire utilise la prévision d’ensemble pour minimiser l’incertitude des paramètres initiaux et des modèles de prédiction. La collecte des résultats de prédiction constitue la base de la prévision probabiliste.
Diagramme schématique de la prévision d'ensemble de la probabilité de précipitations
Avec le développement des modèles numériques, du supercalcul, de l'assimilation de données et des technologies de prévision d'ensemble, la précision des prévisions météorologiques numériques a été continuellement améliorée et le temps de prévision est progressivement passé de 3 jours et 5 jours à 7 jours et même 10 jours..
L'évolution de la technologie de prévision météorologique au fil du temps dans les hémisphères nord et sud (SH, NH)
Actuellement, le modèle de prévision du CEPMMT nécessite des prévisions sur 10 jours pour 2 millions de cellules de grille à chaque couche horizontale avec un pas de 10 minutes, exécutées deux fois par jour.Ils doivent donc effectuer le calcul d’environ 40 milliards de grilles en 2,5 heures, ce qui nécessite des coûts de calcul très élevés.
Les coûts de calcul élevés entravent le développement ultérieur des méthodes de prévision numérique du temps. Trouver un équilibre entre la résolution du modèle et la taille de l’ensemble est devenu un obstacle qui limite les prévisions d’ensemble.
L'essor des approches d'apprentissage automatique basées sur les données
Récemment,L'apprentissage automatique (ML) basé sur les données montre un grand potentiel dans les prévisions météorologiques. Depuis 2022, les modèles d’apprentissage automatique dans le domaine des prévisions météorologiques ont réalisé une série de percées, dont certaines peuvent rivaliser avec les prévisions de haute précision du Centre européen pour les prévisions météorologiques à moyen terme. Le raisonnement des prévisions météorologiques basé sur les données repose sur des modèles d’apprentissage automatique plutôt que sur des modèles physiques dans le système de prévision intégré (IFS).Sa vitesse de prédiction est plusieurs ordres de grandeur plus rapide que les méthodes traditionnelles.. De plus, les prévisions météorologiques basées sur l’apprentissage automatique sont le résultat d’un raisonnement inductif plutôt que d’un raisonnement déductif traditionnel. Ce changement de paradigme dans la logique a changé la façon dont les prévisions météorologiques sont interprétées.Ces résultats sont d’autant plus convaincants qu’ils sont tirés de données antérieures..
Ensemble de données : données de réanalyse à 0,25° de 1940 à aujourd'hui
Des modèles basés sur les données émergent grâce à des ensembles de données météorologiques ouverts à grande échelle et de haute qualité. Le modèle de prévision météorologique d’apprentissage automatique existant est formé sur les données de réanalyse de cinquième génération du Centre européen pour les prévisions météorologiques à moyen terme.Ensemble de données de réanalyse ERA5. Lorsque la version actuelle du Système de prévision intégré (IFS) a été lancée en 2016, les données météorologiques de 1940 à nos jours ont été réanalysées pour produire l'ensemble de données ERA5 avec une résolution de 0,25° (30 km).
FourCastNet : un modèle DL avec une précision comparable à celle d'IFS
En 2022, NVIDIA a publié FourCastNet, basé sur le réseau neuronal de prédiction de Fourier.Première prévision météorologique en apprentissage profond avec une résolution de 0,25°.
Diagramme d'architecture FourCastNet
Tout en améliorant la résolution, FourCastNet n'est pas loin derrière les prévisions météorologiques numériques traditionnelles en termes de coefficient de corrélation d'anomalie (ACC) et d'erreur quadratique moyenne (RMSE).
Comparaison de l'ACC et du RMSE entre FourCastNet et la prévision numérique du temps
Dans Node-Hour,FourCastNet est environ 45 000 fois plus rapide que les modèles de prévision météorologique numérique traditionnels, combinée à sa précision à haute résolution, a conduit à une réduction rapide du coût des prévisions d’ensemble à très grande échelle.
GraphCast : Prévisions météorologiques mondiales à moyen terme basées sur GNN
GraphCast est un réseau neuronal basé sur un réseau neuronal graphique (GNN).Adopter la configuration « encoder-traiter-décoder », avec un total de 36,7 millions de paramètres.
L'encodeur mappe les variables de la grille d'entrée à la multi-grille interne via un GNN à couche unique.
Multigrid est un graphe spatialement homogène, avec une haute résolution à l’échelle mondiale. Le multi-maillage est formé de 6 itérations d'un icosaèdre régulier (contenant 12 nœuds, 20 faces et 30 arêtes), et chaque itération affine le maillage en divisant un seul triangle en 4 triangles plus petits et en projetant leurs nœuds sur la sphère.Le multi-réseau final contient 40 962 nœuds, et les arêtes de tous les graphiques pendant le processus de raffinement, formant un graphique hiérarchique contenant des arêtes de différentes longueurs.
Le processeur utilise 16 couches GNN non partagées, transmission de messages sur plusieurs grilles. Le décodeur utilise un GNN monocouche pour mapper les fonctionnalités apprises par le processeur à partir de la grille multiple vers le système de longitude et de latitude.
Cadre GraphCast
ac : processus d’entrée-prédiction-itération de GraphCast ;
df : configuration d'encodage-traitement-décodage de GraphCast ;
g : Processus de raffinement multi-grille.
Comparé aux prévisions à haute résolution (HRES) des prévisions météorologiques à moyen terme européennes,GraphCast surpasse à la fois l'ACC et le RMSE.
Comparaison de la prédiction RMSE (a&b) et ACC (c) entre GraphCast et HRES
GraphCast a appris sur les données ERA5 depuis 1979 après 3 semaines de formation sur 32 appareils Cloud TPU v4. Alors, GraphCast peut générer une prévision météo sur 10 jours avec une résolution de 0,25° et un intervalle de 6 heures sur un seul appareil Cloud TPU v4 en 60 secondes.
Pangu : Un grand modèle météorologique 3D basé sur ViT
L'entrée et la sortie du modèle météorologique Pangu sont toutes deux des champs météorologiques tridimensionnels.. En raison de la répartition inégale de la longitude et de la latitude du champ météorologique,Le modèle météorologique Pangu utilise le 3D Vision Transformer (ViT) pour traiter les données météorologiques., sa précision a dépassé pour la première fois celle du système de prévision intégré (IFS) traditionnel.
Architecture de transformateur de vision 3D
Lorsque le délai de prévision est supérieur à 3 jours, du point de vue du RMSE,Les performances du modèle météorologique Pangu et de l'IFS sont comparables, qui sont meilleurs que l'ensemble d'entraînement ERA5.
Comparaison des performances de prédiction de différents modèles pour T850 et Z500
a&b : RMSE lorsque différents modèles prédisent respectivement T850 et Z500 ;
c&d : intensité d’activité prédite par différents modèles à T850 et Z500, respectivement ;
e&f : Écarts lorsque différents modèles prédisent respectivement T850 et Z500.
En résumé, les prévisions météorologiques basées sur l’apprentissage automatique et basées sur les données sont proches du modèle traditionnel de prévision météorologique numérique en termes de précision des prévisions, mais l’équipement informatique et la vitesse de calcul dépassent de loin le modèle de prévision météorologique numérique, ce qui montre que les prévisions météorologiques basées sur l’IA ont un potentiel considérable dans les applications pratiques.
Apprentissage automatique et prédiction numérique = Précision + Vitesse
L'apprentissage automatique progresse à un rythme effréné, tant dans le domaine des prévisions météorologiques qu'en dehors.. Le Centre européen pour les prévisions météorologiques à moyen terme a suivi l’essor rapide des prévisions météorologiques basées sur les données avec un certain nombre d’autres partenaires, dont NVIDIA, Huawei et Deepmind.
« FourCastNet est le premier système de prévision météorologique basé sur l'IA avec une résolution de 0,25° et le premier système de prévision météorologique open source. Notre nouvelle version améliore considérablement les performances à moyen terme et la stabilité à long terme du modèle, et vise à atteindre une super-résolution grâce à un cadre d'opérateurs neuronaux », a déclaré Anima Anandkumar de l'équipe NVIDIA Earth-2.
L'ECMWF présente ces modèles d'apprentissage automatique, ainsi que des modèles numériques stables, aux utilisateurs, les invitant à évaluer le fonctionnement et les performances des systèmes du côté de l'application.La précision, la fiabilité, l’incertitude et l’interactivité des modèles sont des facteurs clés pour évaluer la qualité et l’efficacité des produits météorologiques.
À cette fin, le Centre européen pour les prévisions météorologiques à moyen terme a rendu publics les résultats de prévision de FourCastNet, PGW et GraphCast basés sur les conditions initiales de l'IFS. Florian Pappenberger a déclaré :L’ouverture est la clé de l’innovation, de la collaboration et de l’exploration. En partageant des données, des méthodes et des résultats, et en effectuant des comparaisons et des analyses, nous pouvons accélérer le développement scientifique et, en fin de compte, bénéficier à la société."
Trois données publiques de l'IA météorologique
Dans la comparaison du Centre européen pour les prévisions météorologiques à moyen terme, nous pouvons voir que les prévisions météorologiques basées sur l’IA sont déjà comparables aux prévisions météorologiques numériques dans certains aspects de performance et joueront un rôle important à l’avenir. Cependant,Ces modèles ne disposent pas encore de capacités de prévision complètes, pourtant essentielles pour fournir des prévisions précieuses à moyen et long terme.
Accès libre, optimisation de la comparaison et facilité d'obtention, l'IA infiltre ses avantages dans les prévisions météorologiques traditionnelles. Tout en libérant les prévisions météorologiques des superordinateurs, l’IA est également performante lors d’événements climatiques extrêmes. Je crois que l’IA peut, avec les prévisions météorologiques numériques, révolutionner la manière dont les prévisions météorologiques sont effectuées et contribuer au développement de l’agriculture, de la foresterie, de l’élevage, de la pêche, de la navigation et de l’aérospatiale.
Liens de référence :
[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
-- sur--