Google является одним из ключевых игроков в области ИИ (искусственного интеллекта), в частности, в сфере моделей прогнозирования погоды на основе машинного обучения. Модели, которые разрабатывает компания и другие участники рынка, имеют свои сильные и слабые стороны, но главное преимущество заключается в том, что они могут обеспечивать такую же точность прогнозов, как и традиционные модели, при этом требуя значительно меньше вычислительных ресурсов. Это означает, что их можно запускать чаще.
Недавно Google выпустила третью версию своей модели WeatherNext. Самое значительное изменение заключается в том, что теперь она обрабатывает спутниковые данные о погоде, сокращая временной лаг между текущими погодными условиями и генерацией нового прогноза. Обновление подробно описано в техническом документе.
Реанализ
Многие погодные модели используют так называемый «реанализ» — своего рода модель самой себя. Реанализы обрабатывают всевозможные погодные данные и объединяют их в единый, согласованный глобальный снимок атмосферы. Это требует предоставления оценок условий для мест, где отсутствуют реальные измерения, поскольку моделям прогнозирования погоды необходима глобальная картина.
Почти все ИИ-модели прогнозирования погоды полностью полагались на реанализы: алгоритмы машинного обучения обучались на глобальных реанализах и выдавали карту погоды в том же формате. Здесь есть свои компромиссы: сами исходные источники данных могут содержать информацию, которая теряется при обработке в «блендере» реанализа, а эти глобальные снимки обычно создаются только каждые шесть часов.
Традиционные модели прогнозирования погоды часто также используют другие необработанные данные, собирая как можно больше информации для точного представления текущего состояния атмосферы, чтобы модель могла использовать физические законы для моделирования дальнейшего развития событий. WeatherNext 3 теперь делает и это, добавляя спутниковые данные о погоде и, как следствие, увеличивая частоту прогнозов до ежечасной.
Есть и другие изменения. Увеличено пространственное разрешение, а модель машинного обучения стала больше, что потребовало некоторых корректировок процессов для ограничения возросших вычислительных потребностей. Также была добавлена отдельная модель машинного обучения, обученная на спутниковых оценках осадков, что означает наличие нескольких прогнозов осадков.
,
В отличие от традиционных моделей, которые используют физические свойства местности для моделирования физических процессов, модели машинного обучения в основном представляют собой «черные ящики», которые обучаются на прошлых закономерностях и выдают прогнозы будущих закономерностей. Однако WeatherNext 3 добавляет немного физической информации для расчета температуры поверхности и точки росы в любом конкретном месте, которое вы хотите просмотреть. Модель проверяет, является ли точка сушей или океаном, и учитывает ее высоту над уровнем моря. Обучаясь на данных метеостанций прошлого, помеченных этой информацией, команда утверждает, что получает более точные прогнозы.
Некоторые особенности
В техническом документе представлены результаты, демонстрирующие улучшение точности прогнозов по сравнению с WeatherNext 2, а также с ИИ-моделью Европейского центра среднесрочных прогнозов погоды (ECMWF).
Например, отмечается примерно 5-процентное улучшение точности прогнозов состояния верхних слоев атмосферы по сравнению с предыдущей моделью, что, по их словам, эквивалентно примерно шести дополнительным часам точного прогнозирования. А изменение в расчете температуры поверхности для конкретного местоположения улучшило точность до 30 процентов. В целом, по этим показателям модель превосходит модель ECMWF.
Есть одно любопытное исключение, причину которого в документе даже не пытаются объяснить. Для ряда переменных сравнение с первоначальным шестичасовым прогнозом других моделей показывает, что WeatherNext 3 работает *хуже* в течение первых шести часов, прежде чем превзойти их на остальной части 15-дневного прогноза.
Крупномасштабные закономерности также не лишены странностей. В некоторых прогнозах можно увидеть сетку модели, например, на карте осадков видны отчетливо шестиугольные пятна. Метод генерации нескольких прогнозов температуры поверхности для представления диапазона возможных исходов также имеет тенденцию давать снимки, где *глобальная средняя* температура выше или ниже. Обычно ожидается, что среднее значение будет постоянным, а локальная изменчивость будет усредняться по всему миру.
В целом, команда заявляет, что их новая модель «представляет собой значительный шаг вперед для прогнозирования погоды на основе ИИ, выходя за рамки простого полагания на реанализ и используя плотные по информации данные наблюдений с низкой задержкой».
WeatherNext 3 теперь является источником информации о прогнозах во всех сервисах Google, включая Поиск, Gemini и Карты.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Scott K. Johnson
