Точная среда
Nature, том 619, страницы 533–538 (2023 г.) Процитировать эту статью
105 тысяч доступов
3 цитаты
1532 Альтметрия
Подробности о метриках
Прогноз погоды важен для науки и общества. В настоящее время наиболее точной системой прогнозирования является метод численного прогноза погоды (ЧПП), который представляет состояния атмосферы в виде дискретных сеток и численно решает уравнения в частных производных, описывающие переход между этими состояниями1. Однако эта процедура является вычислительно дорогостоящей. Недавно методы, основанные на искусственном интеллекте2, показали потенциал в ускорении прогнозирования погоды на порядки, но точность прогноза по-прежнему значительно ниже, чем у методов ЧПП. Здесь мы представляем метод, основанный на искусственном интеллекте, для точного среднесрочного глобального прогноза погоды. Мы показываем, что трехмерные глубокие сети, оснащенные априорными данными, специфичными для Земли, эффективны при работе со сложными закономерностями в погодных данных, и что стратегия иерархической временной агрегации уменьшает ошибки накопления в среднесрочном прогнозировании. Наша программа Pangu-Weather, обученная на глобальных данных за 39 лет, получает более точные результаты детерминистического прогноза на основе данных реанализа по всем протестированным переменным по сравнению с лучшей в мире системой ЧПП, оперативной интегрированной системой прогнозирования Европейского центра среднесрочной погоды. Прогнозы (ЕЦСПП)3. Наш метод также хорошо работает с прогнозами экстремальной погоды и ансамблевыми прогнозами. При инициализации данными реанализа точность отслеживания тропических циклонов также выше, чем у ECMWF-HRES.
Прогнозирование погоды — это важное применение научных вычислений, целью которого является прогнозирование будущих изменений погоды, особенно в отношении экстремальных погодных явлений. За последнее десятилетие высокопроизводительные вычислительные системы значительно ускорили исследования в области методов численного прогнозирования погоды (ЧПП)1. Традиционные методы ЧПП в первую очередь связаны с описанием переходов между дискретизированными сетками состояний атмосферы с использованием уравнений в частных производных (УЧП) и последующим их решением с помощью численного моделирования4,5,6. Эти методы часто медленны; Одно моделирование десятидневного прогноза может занять часы вычислений на суперкомпьютере, имеющем сотни узлов7. Кроме того, традиционные алгоритмы ЧПП в значительной степени полагаются на параметризацию, которая использует приближенные функции для захвата неразрешенных процессов, где ошибки могут быть внесены аппроксимацией8,9.
Быстрое развитие глубокого обучения10 привело к появлению перспективного направления, которое научное сообщество называет методами на основе искусственного интеллекта (ИИ)2,11,12,13,14,15,16. Здесь методология состоит в том, чтобы обучить глубокую нейронную сеть фиксировать взаимосвязь между входными данными (данными повторного анализа погоды в данный момент времени) и выходными данными (данными повторного анализа погоды в целевой момент времени). На специализированных вычислительных устройствах, таких как графические процессоры (GPU), методы на основе искусственного интеллекта работают чрезвычайно быстро. В качестве недавнего примера FourCastNet2 требуется всего 7 секунд для расчета 24-часового прогноза из 100 участников, что на порядки быстрее, чем традиционные методы ЧПП. Однако точность FourCastNet все еще ниже удовлетворительной; его среднеквадратическая ошибка (RMSE) 5-дневного прогноза Z500 (геопотенциал 500 гПа) составляет 484,5, что намного хуже, чем 333,7, сообщаемые оперативной интегрированной системой прогнозирования (IFS) Европейского центра среднесрочных прогнозов погоды. (ЕЦСПП)3. В недавнем опросе17 исследователи согласились, что ИИ обладает огромным потенциалом, но признали, что «необходим ряд фундаментальных прорывов», прежде чем методы на основе ИИ смогут превзойти ЧПП.
Эти прорывы, кажется, происходят раньше, чем ожидалось. Здесь мы представляем Pangu-Weather (см. Методы объяснения названия «Пангу»), мощную систему прогнозирования погоды на основе искусственного интеллекта, которая дает более сильные детерминистические результаты прогноза, чем оперативная IFS, для всех проверенных погодных переменных на основе данных реанализа. Наш технический вклад двоякий. Во-первых, мы интегрировали информацию о высоте в новое измерение, чтобы входные и выходные данные наших глубоких нейронных сетей можно было концептуализировать в трех измерениях. Далее мы разработали архитектуру трехмерного (3D) земного преобразователя (3DEST) для внедрения специфичных для Земли априорных данных в глубокие сети. Наши эксперименты показывают, что 3D-модели, выражающие высоту в отдельном измерении, способны улавливать взаимосвязь между состояниями атмосферы на разных уровнях давления и, таким образом, давать значительный прирост точности по сравнению с двумерными моделями, такими как FourCastNet2. Во-вторых, мы применили иерархический алгоритм временного агрегирования, который включает обучение серии моделей с увеличением времени выполнения прогноза. Таким образом, на этапе тестирования количество итераций, необходимых для среднесрочного прогноза погоды, было значительно сокращено, а совокупные ошибки прогноза были уменьшены. Эксперименты с данными реанализа пятого поколения ECMWF (ERA5)18 подтвердили, что Pangu-Weather хорошо справляется с детерминистическими прогнозами и прогнозами экстремальных погодных явлений, при этом будучи более чем в 10 000 раз быстрее, чем оперативная IFS.
2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281995%29123%3C0489%3AIOTSLM%3E2.0.CO%3B2" aria-label="Article reference 6" data-doi="10.1175/1520-0493(1995)1232.0.CO;2"Article ADS Google Scholar /p>