Ein Schaufenster datengesteuerter Systeme

Die Entwicklungen im maschinellen Lernen schreiten in atemberaubendem Tempo voran, sowohl innerhalb als auch außerhalb der Wettervorhersage. Um die Bewertung von Wettervorhersagen durch maschinelles Lernen aus verschiedenen Quellen zu erleichtern, zeigen wir jetzt eine Reihe davon im Kartenkatalog des ECMWF.

Wir untersuchen auch den Einsatz von Modellen des maschinellen Lernens zur Erstellung von Ensemblevorhersagen, die die Bandbreite zukünftiger Wettermöglichkeiten darstellen.

Das Europäische Zentrum für mittelfristige Wettervorhersagen (ECMWF) hat auf den rasanten Aufstieg datengesteuerter Vorhersagen hingewiesen. Diese werden durch auf maschinellem Lernen basierende Prognosemodelle erstellt, die von Innovatoren wie NVIDIA, Huawei und Google DeepMind entwickelt wurden.

Die ERA5-Reanalyse, erstellt vom Copernicus Climate Change Service (C3S) und implementiert vom ECMWF, ist der Datensatz, der zum Trainieren dieser Modelle verwendet wird. Bei guten Ausgangsbedingungen können sie genaue 10-Tage-Prognosen erstellen.

In diesem Sommer haben wir uns auf die Analyse von Huaweis Pangu-Weather konzentriert, um seine Stärken und Schwächen zu verstehen eingereichtes Manuskript. In diesem frühen Stadium der Technologie zeigen einige Ergebnisse bereits eine vergleichbare Leistungsfähigkeit wie das Integrierte Prognosesystem (IFS) des ECMWF, was eine aufregende Errungenschaft darstellt.

Angesichts der jüngsten Reihe vielversprechender und faszinierender Ergebnisse, die für unsere Wissenschaft von entscheidender Bedeutung sein könnten, ist es wichtig, sich Zeit zu nehmen, um den operativen Wert dieser Modelle richtig einzuschätzen.

„FourCastNet war das erste KI-basierte Wettervorhersagesystem bei 0,25 Grad und das erste, das Open-Source war. Unsere neue Version hat die Mittelstreckenfähigkeiten und die Langzeitstabilität deutlich verbessert, da das Modell die sphärische Geometrie berücksichtigt. Während wir skalieren.“ Darüber hinaus freuen wir uns, weiterhin das Framework neuronaler Operatoren zu nutzen, das Superauflösung oder natives Downscaling ermöglicht“, sagte Anima Anandkumar vom Earth-2-Team von NVIDIA.

Feedback erbeten

Wir glauben, dass die optimale Strategie darin besteht, diese maschinellen Lernsysteme zusammen mit bewährten Betriebsprognosen einem breiten Spektrum von Benutzern mit realen Anwendungen zu präsentieren und Feedback zur Betriebsbereitschaft und Leistung der Systeme einzufordern. Wir betrachten Faktoren wie Prognosegenauigkeit, Zuverlässigkeit, Unsicherheit und Kommunikation als wesentlich für die Beurteilung der Qualität und Wirksamkeit meteorologischer Produkte.

Zu diesem Zweck sind tägliche Vorhersagen ausgehend von den Anfangsbedingungen des ECMWF und unter Verwendung von NVIDIAs FourCastNet, Huaweis Pangu-Weather und Google DeepMinds GraphCast jetzt frei verfügbar und können auf den öffentlichen Kartenseiten des ECMWF eingesehen werden. Einzelheiten zu jedem dieser Modelle finden Sie auf der ECMWF-Website.

Wir zeigen eine Reihe von Prognoseprodukten an, abhängig davon, welche Variablen diese Modelle erzeugen – beispielsweise sagen nicht alle von ihnen Niederschlag voraus. Wir bieten zusätzliche Hinweise zur Qualität dieser Prognosen, indem wir unserem Überprüfungsbereich Diagramme hinzufügen, um die Kompetenzniveaus dieser Modelle für verschiedene Benutzer und Anwendungen in einer vergleichbaren Umgebung anzuzeigen. Wir ermutigen jeden, sich mit uns in Verbindung zu setzen, um seine interessantesten Erkenntnisse aus diesen Modellen mitzuteilen.

„Offene Wissenschaft ist der Schlüssel zu Innovation, Zusammenarbeit und Entdeckung. Indem wir Daten, Methoden und Ergebnisse teilen und sie leicht zugänglich und vergleichbar machen, können wir den Fortschritt der Wissenschaft beschleunigen, der letztendlich der Gesellschaft zugute kommen kann“, sagt der Direktor für Prognosen des ECMWF Florian Pappenberger.

Wir haben eine Softwarelösung entwickelt, die der Öffentlichkeit mit einem einzigen Befehl den Zugriff auf diese Modelle ermöglicht, um die Transparenz und Reproduzierbarkeit zu verbessern. Dieses Softwarepaket kann automatisch die Anfangsbedingungen für eine Vorhersage von verschiedenen Orten abrufen, darunter unserem MARS-Archiv, dem Climate Data Store sowie der lokalen Dateispeicherung.

Durch ein Stecksystem machen wir die verschiedenen Modelle installierbar und für jedermann zugänglich. Dies wird frei veröffentlicht als KI-Modellemit öffentlichen Plugins für FourCastNet, Pangu-Weather und GraphCast.

„Wir freuen uns zu erfahren, dass Pangu-Weather in den Karten des ECMWF erscheint. Das bedeutet, dass jeder auf der Welt auf die Ergebnisse von Pangu zugreifen kann, ohne Daten herunterzuladen und Code auszuführen“, sagte Lingxi Xie, einer der Autoren von Pangu-Weather.

Zukunftspläne

Aus unserer Analyse sehen wir Hinweise darauf, dass auf maschinellem Lernen basierende Prognosen in zukünftigen operativen Prognosesystemen eine Rolle spielen werden. Es liegen jedoch noch interessante Herausforderungen vor uns. Beispielsweise erstellen diese Modelle noch keine Ensemble-Vorhersagen, was unserer Meinung nach für die Bereitstellung wertvoller Vorhersagen für mittelfristige Zeitskalen von entscheidender Bedeutung ist.

Um diesen Herausforderungen zu begegnen, startete das ECMWF Anfang des Sommers ein Projekt zur Entwicklung eines probabilistischen Prognosesystems für maschinelles Lernen, AIFS. Dies wird auf allen Forschungsarbeiten der letzten Jahre im Bereich des maschinellen Lernens aufbauen, aber auch auf unserer jahrzehntelangen Expertise im Aufbau und der Verifizierung von Ensemblesystemen.

„Wettervorhersagesysteme haben einen tiefgreifenden und positiven Einfluss auf die Menschheit als Ganzes. GraphCast, das maschinell lernende globale Wettermodell von Google DeepMind, ist unser Versuch, diese entscheidende Technologie voranzutreiben. GraphCast ist auf Github verfügbar und die Weitergabe seiner Live-Vorhersagen ist wichtig.“ „Der nächste Schritt beim Aufbau von Vertrauen in seine Leistung, der Unterstützung der Wetter- und maschinellen Lerngemeinschaften und der Einholung von Feedback zur weiteren Verbesserung der nächsten Generation von Modellen“, so das Google DeepMind GraphCast-Team.

Ein Übersichtspapier ist auf der veröffentlicht arXiv Preprint-Server.