Prévision météorologique au-delà de deux semaines avec NVIDIA Earth-2 La capacité à anticiper les événements météorologiques extrêmes est devenue cruciale alors que ces conditions se font de plus en plus fréquentes et destructrices. La prévision climatique sous-saisonnière, qui consiste à prédire le temps deux semaines ou plus à l'avance, est un élément essentiel de la prise de décisions proactive et de la gestion des risques pour les secteurs sensibles aux fluctuations météorologiques. Cette méthode peut aider les agriculteurs à mieux choisir leurs cultures et à gérer leurs ressources en eau dans les régions sujets aux sécheresses. Les compagnies d'énergie peuvent équilibrer l'offre et la demande d'électricité, tandis que les pêcheries peuvent se protéger contre les vagues de chaleur marines. Quant aux gouvernements, ils peuvent se préparer aux catastrophes naturelles et aux menaces pour la santé publique, telles que l'approvisionnement en infrastructures de lutte contre les incendies et d'atténuation des risques thermiques, dans des zones où les prévisions sous-saisonnières sont moins favorables. Utilisation de modèles IA pour la prévision météorologique et climatique Les modèles météorologiques basés sur l'intelligence artificielle (IA) ont connu une forte progression ces deux dernières années à la fois dans le cadre de la recherche et dans les environnements opérationnels. La plateforme NVIDIA Earth-2 soutient tant la communauté scientifique que celle des entreprises en fournissant une pile d'outils performants et scalables. Elle offre des avantages à tous, depuis les experts météorologiques qui souhaitent évaluer et valider la précision des modèles, jusqu'aux spécialistes en IA cherchant à développer, personnaliser et mettre à l'échelle ces modèles pour diverses utilisations et jeux de données. Nouvelles fonctionnalités de la plateforme Earth-2 La dernière version d'Earth2Studio introduit une nouvelle capacité de prévision sous-saisonnière à annuelle (S2S). Celle-ci a été démontrée dans le contexte du Deep Learning Earth System Model (DLESyM), un modèle d'apprentissage profond parcimonieux qui couple un modèle AI à multi-couches atmosphériques à un modèle océanique distinct prédiction les températures de surface de la mer. L'architecture du modèle est une variation de l'U-Net, un type de réseau neuronal convolutif, avec des opérations de remplissage modifiées pour supporter la grille HEALPix, une grille quasi-équirépartie pour les modélisations globe-terrestres à une résolution d'environ 1 degré. Cette architecture permet une généralisation potentielle sans utiliser des plongements positionnels, et a montré des performances réalistes pour atteindre des taux d'erreur climatologiques attendus sur des périodes multmensuelles. Des chercheurs de l'University of Washington ont également démontré sa stabilité autoregressive remarquable pour les simulations à l'échelle climatique. Prévision S2S avec des ensembles Les prévisions S2S sont fondamentalement probabilistes, pas déterministes. Elles ne prédissent pas la météo exacte sur une journée spécifique des mois à l'avance, mais fournissent plutôt la probabilité de conditions saisonnières s'écartant de la norme. Ces prévisions sont généralement exprimées en termes de probabilités pour terciles : la probabilité que la prochaine saison soit dans le tiers supérieur (au-dessus de la normale), le tiers moyen (proche de la normale), ou le tiers inférieur (en dessous de la normale) de la distribution climatique historique pour des variables comme la température ou les précipitations. Avec la disponibilité de ce nouveau modèle, les entreprises ont étendu l'approche HENS (Huge Ensemble) en utilisant le modèle FourCastNet V2 (SFNO) pour effectuer des prévisions S2S. Des recherches de l'University of California, Irvine ont montré que cette méthode est aussi performante que le système de prévisions ECMWF pour la prédictibilité de l'oscillation Madden-Julian (MJO), une source majeure de prédictibilité sous-saisonnière dans l'atmosphère. Earth2Studio offre désormais une nouvelle recette pour les utilisateurs intéressés par l'HENS-SFNO, DLESyM, ou d'autres modèles pour réaliser des prévisions S2S. Cette recette prend en charge l'inference distribuée multi-GPU et les entrées/sorties parallèles pour sauvegarder efficacement les données de prévision lorsqu'elles sont générées. Elle permet aussi de ne sauvegarder qu'un sous-ensemble des outputs si la capacité de stockage est une contrainte. Grâce à cette nouvelle recette, les experts du domaine peuvent générer de grands ensembles de prévisions à partir de l'approche HENS-FourCastNet V2 (SFNO) et de DLESyM pour comprendre et valider la précision de ces modèles. Par exemple, ils peuvent explorer comment l'incertitude des prédictions est influencée par des perturbations des conditions initiales ou par des poids alternatifs de modèle check-point. Exemple : l'événement de chaleur de 2021 dans le Nord-Ouest du Pacifique L'exemple de l'événement de chaleur de 2021 dans le Nord-Ouest du Pacifique illustre l'utilité de ces prévisions S2S. Selon un article publié dans Geophysical Research Letters, cet événement était remarquable par son intensité et sa durée, et il était difficile à prédire sur des échelles sous-saisonnières. Bien que aucun modèle n'ait capturé parfaitement la localisation et l'intensité de la vague de chaleur, tous ont commencé à prédire certains niveaux d'anomalie de chaleur en Amérique du Nord jusqu'à trois semaines avant l'événement, avec une précision variable entre HENS-SFNO, IFS ENS, et DLESyM. Prochaines étapes Pour accélérer l'adoption de l'IA pour les prévisions S2S, il est nécessaire d'évaluer de manière plus robuste ces modèles et leurs capacités. L'utilisation de bibliothèques open source réduit les obstacles à l'entrée des compétences requises en IA, et fournit des retours au sein de la communauté de recherche en IA/ML. La compétition AI Weather Quest organisée par l'European Centre for Medium-Range Weather Forecasting (ECMWF) vise à stimuler la participation communautaire à l'avancement des prévisions S2S. Non seulement les ingénieurs de NVIDIA se préparent à y participer, mais ils travaillent aussi à rendre les outils Earth-2 compatibles avec ceux fournis par l'ECMWF pour la compétition Weather Quest, permettant ainsi aux chercheurs de lancer rapidement des itérations sur leurs idées. En général, l'inférence et le scoring efficaces des grands ensembles S2S sont un élément essentiel du processus scientifique. Évaluer correctement les modèles nécessite de scorer de nombreuses prévisions pour déterminer leur précision. Earth2Studio peut désormais exécuter et scorer de manière efficace de grands ensembles S2S. Par exemple, un ensemble annuel de prévisions DLESyM utilisant plusieurs modèles atmosphériques et océaniques peut être exécuté et noté en moins de deux heures sur huit GPU. Les résultats de scoring montrent que le modèle DLESyM possède une compétence S2S comparable à celle d'ECMWF IFS, un solide modèle physique, en particulier pour les semaines trois à cinq, bien que la précision soit moindre lors des premières semaines en raison d'une réduction de l'écart entre les modèles. Principales conclusions Importance des prévisions S2S : Elles sont essentielles pour une multitude de secteurs sensibles aux variations climatiques. Nouvelles fonctionnalités d'Earth2Studio : Permettent aux entreprises d'évaluer et de valider des modèles de pré vision météorologiques pré-entraînés comme DLESyM pour générer des ensembles de prévisions. Ressources pour commencer : Apprenez-en plus sur la plateforme Earth-2 via ces sessions GTC. Explorez les sessions GTC spécifiques pour voir comment les entreprises utilisent l'IA pour générer de grands ensembles de prévisions. La plateforme NVIDIA Earth-2 et ses nouvelles fonctionnalités en matière de prévisions S2S offrent des avantages significatifs aux scientifiques et aux entreprises en termes de précision, de coûts de calcul, et d'accès à des outils de développement robustes, facilitant ainsi l'adoption de technologies avancées dans le domaine de la climatologie.