Démo Du Modèle De Base Atmosphérique À Grande Échelle D'aurora
Introduction au tutoriel
Avec le changement climatique mondial et les catastrophes naturelles fréquentes, des prévisions précises et fiables du système terrestre sont essentielles pour atténuer l’impact des catastrophes et soutenir le progrès de la société humaine. Bien que les modèles numériques traditionnels soient puissants, ils présentent des coûts de calcul extrêmement élevés, ce qui limite leur application généralisée. Ces dernières années, l’intelligence artificielle a montré un grand potentiel dans le domaine des prévisions environnementales, notamment pour améliorer les performances et l’efficacité des prévisions. Cependant, le potentiel de l’IA reste largement inexploré dans plusieurs domaines clés du système terrestre.
Pour relever ce défi, une équipe de recherche de Microsoft et ses collaborateurs ont lancé Aurora, le premier modèle de fondation atmosphérique à grande échelle. En s'entraînant au préalable sur plus d'un million d'heures de données géophysiques diverses et en affinant plusieurs tâches spécifiques, il peut prédire avec précision une variété de variables du système terrestre telles que la qualité de l'air, les vagues océaniques, les trajectoires des cyclones tropicaux et la météo à haute résolution. Tout en réduisant considérablement les coûts de calcul, il dépasse les performances des systèmes de prévision opérationnelle existants et favorise un accès généralisé à des informations climatiques et météorologiques de haute qualité. Il a été prouvé que la vitesse de calcul d'Aurora est environ 5 000 fois plus rapide que celle du système de prévision numérique le plus avancé, IFS.
Voici les résultats de recherche spécifiques obtenus par Aurora dans différents domaines :
- En termes de prévision de la qualité de l'air, Aurora a surpassé les simulations numériques de chimie atmosphérique gourmandes en ressources à une résolution de 0,4° dans une prévision de pollution atmosphérique mondiale sur 5 jours, surpassant ainsi l'objectif 74% ;
- Dans le domaine de la prévision des vagues océaniques, il a surpassé les modèles numériques coûteux dans la prévision des vagues océaniques mondiales sur 10 jours à une résolution de 0,25° sur la cible 86% ;
- Pour les prévisions de trajectoire des cyclones tropicaux sur 5 jours, Aurora a largement surpassé les sept centres de prévision opérationnels, atteignant un taux de surperformance de 100% sur toutes les cibles ;
- Dans les prévisions météorologiques mondiales sur 10 jours, Aurora surpasse les modèles numériques de pointe sur la cible 92% à une résolution de 0,1°, tout en améliorant les performances de prévision pour les événements extrêmes. On constate également une amélioration dans la prévision des événements extrêmes.
En termes de structure du modèle, Aurora adopte une architecture 3D Swin Transformer combinée à un encodeur et un décodeur 3D Perceiver. Le modèle se compose de trois parties : encodeur, processeur et décodeur. L'encodeur transforme les entrées hétérogènes en une représentation latente 3D commune, le processeur évolue dans le temps via un transformateur Swin 3D et le décodeur transforme la représentation latente en prédictions physiques.
Les articles de recherche connexes sont intitulés «Un modèle fondateur du système terrestre" a été publié dans Nature.
Ce tutoriel utilise des ressources pour une seule carte A6000.
L'« Espace de travail » contient les exemples de démonstration de script d'automatisation de bloc-notes suivants :
- L'exemple de démonstration est « Prédiction de ERA5 »
Version anglaise:demo_Prédictions pour ERA5.ipynb
Version chinoise :demo_Prédictions pour ERA5-cn.ipynb
- L'exemple de démonstration est « Prédiction HRES T0 »
Version anglaise:demo_Prédictions pour HRES T0.ipynb
Version chinoise :demo_Prédictions pour HRES T0-cn.ipynb
- L'exemple de démonstration est « Prédiction HRES à une résolution de 0,1 degré »
Version anglaise:demo_Prédictions pour HRES à 0,1 degré.ipynb
Version chinoise :demo_Prédictions pour HRES à 0,1 degré-cn.ipynb
- L'exemple de démonstration est « Prévision de la pollution atmosphérique »
Version anglaise:demo_Prédictions pour la pollution atmosphérique.ipynb
Version chinoise :demo_Prédictions de pollution atmosphérique-cn.ipynb
- L'exemple de démonstration est « Prévision de la trajectoire du typhon Nanmadol »
Version anglaise:demo_Prédictions de suivi pour le typhon Nanmadol.ipynb
Version chinoise :demo_Prédictions de suivi pour le typhon Nanmadol-cn.ipynb
Présentation du modèle
1. aurora-0.4-pollution-de-l'air
Aurora-0.4-air-pollution représente une avancée majeure dans l'IA pour les sciences de la Terre, permettant une modélisation efficace des processus chimiques atmosphériques complexes grâce à une approche basée sur les données. Le modèle a prouvé sa fiabilité dans des situations réelles (comme l’intégration dans Microsoft MSN Weather Service) et fournit de nouveaux outils techniques pour la gouvernance environnementale et la santé publique.
Exemple de démonstration : Prévisions de pollution atmosphérique
Version anglaise:demo_Prédictions pour la pollution atmosphérique.ipynb
Version chinoise :demo_Prédictions de pollution atmosphérique-cn.ipynb
2. aurora-0.25-pré-entraîné
aurora-0.25-pretrained est basé sur l'architecture innovante 3D Swin Transformer, combinée à la structure encodeur-décodeur Perceiver, qui peut traiter de manière flexible des données atmosphériques multi-échelles et multi-variables.
Exemple de démonstration - Prévisions pour ERA5
Version anglaise:demo_Prédictions pour ERA5.ipynb
Version chinoise :demo_Prédictions pour ERA5-cn.ipynb
3. aurora-0,25-finetuned
aurora-0.25-finetuned est une version affinée du modèle Aurora pour des tâches spécifiques (telles que la prédiction à une résolution de 0,25°), qui combine une efficacité élevée, une adaptabilité multitâche et une grande précision. Son cœur technique réside dans la combinaison d’une architecture de modèle de base flexible et d’une formation aux données à grande échelle, offrant un nouveau paradigme pour les tâches de prédiction dans le domaine des sciences de la Terre.
Exemple de démonstration pour la prédiction -HRES T0
Version anglaise:demo_Prédictions pour HRES T0.ipynb
Version chinoise :demo_Prédictions pour HRES T0-cn.ipynb
Exemple de démonstration : prévision de la trajectoire du typhon Nanmadol
Version anglaise:demo_Prédictions de suivi pour le typhon Nanmadol.ipynb
Version chinoise :demo_Prédictions de suivi pour le typhon Nanmadol-cn.ipynb
4. aurora-0.1-finetuned
aurora-0.1-finetuned est un fichier de point de contrôle optimisé pour les tâches de prévision atmosphérique hautes performances. Il peut générer rapidement des prévisions de pollution atmosphérique mondiale sur 5 jours et des prévisions météorologiques sur 10 jours à une résolution de 0,1° (environ 11 kilomètres), et son efficacité de calcul est environ 5 000 fois supérieure à celle des modèles numériques traditionnels.
Exemple de démonstration de prédiction HRES à une résolution de -0,1 degré
Version anglaise:demo_Prédictions pour HRES à 0,1 degré.ipynb
Version chinoise :demo_Prédictions pour HRES à 0,1 degré-cn.ipynb
Échange et discussion
🖌️ Si vous voyez un projet de haute qualité, veuillez laisser un message en arrière-plan pour le recommander ! De plus, nous avons également créé un groupe d’échange de tutoriels. Bienvenue aux amis pour scanner le code QR et commenter [Tutoriel SD] pour rejoindre le groupe pour discuter de divers problèmes techniques et partager les résultats de l'application↓
Informations sur la citation
Les informations de citation pour ce projet sont les suivantes :
@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},
}