GraphCast

GraphCast – model do prognozowania pogody opracowany przez Google DeepMind. Wykorzystuje grafowe sieci neuronowe (ang. Graph Neural Networks) oraz dane historyczne z reanalizy meteorologicznej. Model przewiduje pogodę do 10 dni na siatce o rozdzielczości 0,25 stopnia szerokości i długości geograficznej.

Model został przeszkolony na podstawie danych z reanalizy ERA5 opracowanej przez Europejskiego Centrum Prognoz Średnioterminowych (ECMWF). Model przewiduje zmienne atmosferyczne, takie jak temperatura, prędkość i kierunek wiatru, ciśnienie oraz wilgotność i umożliwia prognozowanie ekstremalnych zjawisk pogodowych, takich jak trajektorie cyklonów tropikalnych czy rzeki atmosferyczne. GraphCast jest przykładem zastosowania uczenia maszynowego w prognozach pogody i stanowi alternatywę dla tradycyjnych modeli numerycznych, takich jak High Resolution Forecast (HRES), i działa szybciej, przy znacznie mniejszych wymaganiach sprzętowych[1][2][3][4][5].

Model prognozuje warunki atmosferyczne i powierzchniowe z rozdzielczością 0,25° szerokości i długości geograficznej (1440x720 punktów siatki), co odpowiada ponad 1 milionowi punktów pokrywających powierzchnię Ziemi. W każdej prognozie uwzględniane są 227 zmienne, w tym 6 zmiennych atmosferycznych na 37 poziomach pionowych oraz 5 zmiennych powierzchniowych. GraphCast wykorzystuje pokrycie sfery (atmosfery ziemskiej) opartej na 6 siatkach (ang. multi-mesh) opartych na podziale dwudziestościanu foremnego podział ten eliminuje problem zwiększonej ilości punktów sieci blisko biegunów występujący na siatkach szerokośc-długość geograficzna. Model składa się z trzech głównych składników: (1) Enkoder przekształca dane wejściowe (aktualny stan pogody na siatce szerokości i długości geograficznych) w wewnętrzną reprezentację opartą na wielokrotnym podziale dwudziestościanu foremnego; (2) Procesor wykorzystuje metodę przekazywania informacji (ang. message-passing) do przetwarzania informacji (uczenia) na siatkach; Dekoder: przekształca wyniki przetwarzania z powrotem do przestrzeni długości i szerokości geograficznych. GraphCast stosuje autoregresyjne podejście do prognozowania, opierając się na 6-godzinne krokach czasowych. Każda prognoza obejmuje 40 kroków czasowych, co pozwala na przewidywanie pogody do 10 dni[1][2][3][4][5].

Wykorzystanie kilku sieci (ang. multi-mesh) opartych na podziale dwudziestościanu foremnego umożliwia efektywne odwzorowanie globalnych zjawisk atmosferycznych w różnej skali. Poprzez iteracyjny podział dwudziestościanu, tworzone są siatki o różnej rozdzielczości. Siatki o dużej rozdzielczości, czyli z małymi odległościami (ang. edges) pomiędzy wierzchołkami (ang. nodes) odpowiadają za precyzyjne modelowanie lokalnych zjawisk, a siatki o małej rozdzielczości (długimi krawędziami) odpowiadają za propagację informacji w skali globalnej. Pozwala to na zwiększenie szybkości uczenia się modelu[6][7].

GraphCastGFS

GraphCastGFS (GraphCast Global Forecast System) jest eksperymentalnym system prognozowania pogody opracowanym przez National Centers for Environmental Prediction (NCEP). Model działa na siatce o rozdzielczości 0,25° szerokości i długości geograficznej (około 28 km). Wersja 2 GraphCastGFS jest oparta na treningu (uczeniu maszynowym) na 13 poziomach z danymi początkowymi NCEP GDAS[8] z wykorzystaniem danych ERA5 jako danymi referencyjnymi. Od 10 lipca 2024 r. długość prognoz została zwiększona z 10 dni do 16 dni. Model jest dostępny w czterech cyklach dziennie[9].

Dostęp do danych ECMWF

Model GraphCast wymaga danych początkowych do prognozy na siatce 0,25° (szerokości i długości geograficznej). Od 2024 roku ECMWF umożliwia dostęp do tych danych w czasie prawie rzeczywistym[10].

Zobacz też

Kod źródłowy GraphCast/GenCast opublikowany na GitHub[11]

Przypisy

  1. 1 2 Remi Lam: GraphCast: AI model for faster and more accurate global weather forecasting. [w:] DeepMind Blog [on-line]. DeepMind, 14 listopada 2023. [dostęp 2024-12-18]. (ang.).
  2. 1 2 Ferran Alet: GraphCast: Learning skillful medium-range global weather forecasting. [w:] YouTube presentation [on-line]. Google DeepMind, październik 2023. [dostęp 2024-12-18]. (ang.).
  3. 1 2 Ferran Alet: Global weather forecasting with GraphCast. [w:] Google Docs (slajdy w PDF i PowerPoint) [on-line]. Google DeepMind, 3 października 2023. [dostęp 2024-12-18]. (ang.).
  4. 1 2 Remi Lam i inni: GraphCast: Learning skillful medium-range global weather forecasting. [w:] arXiv [on-line]. arXiv.org, 2023, eprint 2212.12794 [dostęp 2024-12-18]. (ang.).
  5. 1 2 Remi Lam, Alvaro Sanchez-Gonzalez, Matthew Willson, Peter Wirnsberger i inni. Learning skillful medium-range global weather forecasting. „Science”. 382 (6677), s. 1416-1421, 2023. DOI: 10.1126/science.adf7245. (ang.).
  6. ↑ Remi Lam: GraphCast: Learning skillful medium-range global weather forecasting. [w:] YouTube presentation [on-line]. Google DeepMind, 22 lutego 2024. [dostęp 2024-12-18]. (ang.).
  7. ↑ Zastosowanie sieci opartych na dwudziestościanie foremnym w meteorologii jest opisane, dla przykładu, w R. P. Heikes, D. A. Randall, C. S. Konor. Optimized icosahedral grids: Performance of finite-difference operators and multigrid solver. „Monthly Weather Review”. 141 (12), s. 4450-4469, 2013. DOI: 10.1175/MWR-D-13-00059.1. (ang.).
  8. ↑ NCEP GDAS (National Centers for Environmental Prediction Global Data Assimilation System) to system globalnej asimilacji danych meteorologicznych używany przez National Centers for Environmental Prediction (NCEP) w USA. GDAS integruje różnorodne obserwacje atmosferyczne, powierzchniowe i satelitarne, aby stworzyć spójny obraz aktualnego stanu atmosfery na całym świecie.
  9. ↑ NOAA GraphCast Global Forecast System (GFS). [w:] AWS Open Data Registry [on-line]. NOAA. [dostęp 2024-12-18]. (ang.).
  10. ↑ ECMWF releases a much larger open dataset. [w:] Media Centre [on-line]. ECMWF, 29 lutego 2024. [dostęp 2024-12-18]. (ang.).
  11. ↑ GraphCast. [w:] GitHub [on-line]. Google DeepMind. [dostęp 2024-12-18]. (ang.).
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.