Slo-Tech - Napoved vremena je področje, kjer si od umetne inteligence obetamo največ. Dasiravno poizkusov ne manjka, so klasični modeli še vedno bolj zanesljivi, ko se pojavljajo manj pogoste vremenske razmere. Google je zato sedaj razvil model, ki združuje najboljše iz obeh svetov. Model NeuralGCM uporablja fiziko, ki jo dopolnjuje z umetno inteligence, o čemer pišejo v najnovejši številki revije Nature.
Novembra je DeepMind (ki je tudi del Googla) pokazal GraphCast, ki že zelo dobro napoveduje vreme. V desetdnevni napovedi je že dosegel zlati standard, za kar velja model Evropskega centra za srednjeročne vremeske napovedi (ECMWF). Napovedi so bile natančnejše in hitrejše, ker so bile računsko manj zahtevne. A GraphCast se je učil iz zgodovine, ki je sicer dobra učiteljica, ni pa popolna. Če se zgodi situacija, ki je v podatkih za trening še ni bilo, so lahko njegove napovedi močno zgrešene.
Klasični modeli svet vidijo skozi fiziko. ECMWF-jev model svet razkosa na manjše režnje, nato pa iz vhodnih podatkov, torej meritev, z upoštevanjem fizikalnih enačbi izračunava prihodnosti. Četudi se zgodi nekaj, kar se še nikoli ni, ga to ne zmede preveč. Takšni modeli so robustni, a omejene natančnosti, saj bolj fino razkosanje sveta terja več računske moči. Napovedi z ločljivostjo nekaj deset kilometrov pa so že omejene uporabnosti, pa konec koncev tudi natančnosti, ker so orografske značilnosti pogosto manjše od ločljivosti. Tu stopi na oder novi model NeuralGCM.
Ta uporablja oboje. Surova napoved se še vedno izvede s fizikalnimi modeli, nato pa se z umetno inteligenco rafinira. To je posebej uporabno za napovedovanje vremenskih pojavov na mikrolokaciji, kjer veljajo posebne razmere in je vreme zato specifično. Prav to je specialnost NeuralGCM, ki bo na voljo vsem. Google Research je potrdil, da bo model odprtokoden, zato ga bo lahko uporabil ali izboljšal kdorkoli. Ob tem dodajmo, da je področje izjemno živahno in da skorajda vsak mesec kdo izmed velikanov umetne inteligence izda nov model, čemur je kar težko slediti.
Mikrolokacijsko napovedovanje vremena je že in bo še večji biznis. O tem sem se pogovarjal konkretno že pred več kot 10imi leti. Kar veselo zagrabit in pljunit v roke.
"Takšni modeli so robustni, a omejene natančnosti, saj bolj fino razkosanje sveta terja več računske moči." Bolj drobna diskretizacija mreže seveda pomaga, ni pa glavna težava. Razvoj vremena / pojavi v atmosferi so kaotični sistem, kar pomeni, da se iz dveh podobnih začetnih stanj lahko razvije popolnoma drugačno končno stanje. Rešitve sistema so zato zelo občutljive na začetne / robne pogoje. Če le-ti niso dobro poznani, tudi rešitev ne more biti. Tudi z uporabo AI-ja ta težava natančnega poznavanja začetnega stanja še vedno ostaja in zato dolgoročne napovedi še vedno ne bodo zanesljive. Bodo pa AI modeli najbrž zmanjšali računske zahteve in pohitrili vse skupaj.
Bodo pa AI modeli najbrž zmanjšali računske zahteve in pohitrili vse skupaj.
Da, to je glavni cilj. Za lajšanje težav glede nepoznavanja začetnega stanja pa se danes poganja ansamble simulacij z rahlo drugačnim začetnim stanjem. Dokler dolgo so napovedi blizu, jim lahko pripišeš veliko verjetnost, ko pa se začnejo razhajati, dvigneš roke in ponoviš vajo s svežimi podatki ;)
Mikro napovedovanje vremena so sicer problemi tipa "koliko ur sonca bo jutri dobilo moje polje fotovoltaike", "koliko ur kako močnega vetra bo jutri dobilo moje polje vetrnic", "kateri cestni odseki bodo dobili poledico in ob kateri uri", "kje se pričakuje uničujoča nevihta", "katero vas bo zradiral tornado", ipd. Zadeve, ki so na skali, manjši od 5km.
Mah smo se igral z nowcastingom in mikrolokacijam. Ampak stvar ni tako zelo uporabna kot se zdi na prvi pogled. V vsakem primeru rabiš pri za aplikativno rabo takšnih modelov precejšno redundanco.
Nisem preveč podkovan na tem področju, samo če pogledam zimske vzorce, kjer nam večino napovedi snega tik pred začetkom, odnese nekaj 100km V, je tukaj en vzorec. Prav tako se hladen zrak zadnja leta pomika bolj Z in V od Evrope. Tega pomoje bolj "obvlada" kombinirani model kot fizikalnimi model. Se motim?
Ce se clovek nauci interpretirati lokalno vreme samo z gledanjem v nebo. Se lahko nauci tudi masina. Po osnovni logiki, bi napovedanje za mikrolokacije moralo delovati zelo dobro.
No, popravek. Clovek cuti tudi pritisk, vonj, slisi. Vreme ne interpretira izkljucno z vidom.
Ce se clovek nauci interpretirati lokalno vreme samo z gledanjem v nebo. Se lahko nauci tudi masina. Po osnovni logiki, bi napovedanje za mikrolokacije moralo delovati zelo dobro.
No, popravek. Clovek cuti tudi pritisk, vonj, slisi. Vreme ne interpretira izkljucno z vidom.
Se približno da opazovati in določiti vreme, ampak vreme je zadnja leta/desetletja rahlo zmešano.
So bile pred leti napovedi za naše kraje: - če se je na bližnjem hribu (~1500 m nmv) naredila pozno popoldne kapa (oblak), bo deževje - če se je slišalo vlak iz doline, bo slabo vreme - če so bili zvečer kakšni visoki oblaki obsijani s soncem, bo še najmanj dva dni lepo vreme - ....
Učite se iz preteklosti, živite v sedanjosti in razmišljajte o prihodnosti.
.
.