London, Storbritannien
Tid och datum: 4 december 2024
Google DeepMind har utvecklat en AI-baserad väderprognosmodell, GenCast, som visat sig vara mer exakt och snabbare än det välrenommerade ENS-systemet från European Centre for Medium-Range Weather Forecasts (ECMWF). GenCast har uppnått upp till 20 % bättre resultat vid förutsägelser av dagligt väder och extrema händelser som orkaner och tropiska cykloner.
Revolution inom väderprognoser
GenCast kombinerar avancerad maskininlärning med 40 års historiska data (1979–2018) för att modellera globala vädermönster. Modellen kan generera prognoser upp till 15 dagar i förväg, och gör detta på bara åtta minuter med en enda Google Cloud TPU-enhet. Detta står i kontrast till traditionella fysikbaserade system som kräver timmar av beräkningar på superdatorer.”Att överträffa ENS markerar en vändpunkt för AI inom väderprognos,” säger Ilan Price, forskare vid Google DeepMind. Trots detta betonar forskare att GenCast i nuläget är ett komplement till befintliga system snarare än en ersättning.
Fördelar och användningsområden
GenCast kan användas för att:Förutse extremväder som kraftiga stormar och tropiska cykloner.Förbättra energisektorns prognoser för elproduktion från vindkraftverk.Möjliggöra snabbare och mer tillförlitliga beslutsprocesser vid katastrofberedskap.GenCast bygger på tidigare AI-innovationer från Google, såsom GraphCast, och använder ensemblemetoder som genererar flera prognoser för att uppskatta sannolikheter för olika väderscenarier.
Utmaningar och framtid
Forskare påpekar att det finns osäkerheter kring AI-systemets förmåga att hantera kaotiska faktorer, såsom den så kallade ”fjärilseffekten”. GenCast har dock potential att förändra metodiken för väderprognoser, särskilt genom att möjliggöra större ensemblemodeller och förbättra förutsägelser för extrema händelser.”Detta öppnar möjligheter för nationella vädertjänster att leverera mer pålitliga prognoser,” säger Sarah Dance, professor i dataassimilering vid University of Reading.Trots lovande resultat betonas att fysikbaserade metoder fortfarande är oumbärliga för att säkerställa fysiskt korrekta prognoser.
Källa: The Guardian
#vetenskap #väderprognos #AI