Modèle schématique.(une) Les prerequisites météorologiques d’entrée sont cartographiées sur une grille de latitude et de longitude de 0,25° contenant un overall de 721 x 1 440 = 1 038 240 issues. Les couches jaunes dans l. a. fenêtre contextuelle en gros plan représentent les cinq variables de floor, et les couches bleues représentent les six variables atmosphériques qui se répètent à 37 niveaux de pression (5 + 6 x 37 = 227 variables par level au overall), ce qui donne une représentation d’état de 235 680 480 valeurs. (B) GraphCast prédit les prochaines prerequisites météorologiques sur l. a. grille. (C) L. a. prévision est effectuée en appliquant GraphCast de manière répétée à chaque état de prévision précédent, produisant une série d’états représentant l. a. météo sur des périodes successives. (Docteur) Le composant encodeur de l’structure GraphCast mappe les régions locales d’entrée (circumstances vertes) dans les nœuds de l. a. représentation graphique multigrille (flèches vertes vers le haut se terminant par le nœud bleu-vert). (H) Le composant processeur met à jour chaque nœud multiréseau à l’aide du passage de messages appris (flèches bleues épaisses se terminant au nœud). (F) Le composant décodeur mappe les caractéristiques des réseaux multitraités (nœuds violets) à l. a. représentation du réseau (flèches rouges vers le bas se terminant par un carré rouge). (g(Les multi-grilles sont dérivées de grilles icosaédriques de résolution croissante, à partir de l. a. grille de base (M012 nœuds (avec l. a. meilleure précision)M6, 40 962 nœuds), qui a une précision uniforme partout dans le monde. Il contient un ensemble de nœuds de M6 Et tous les bords de M0 à M6. L. a. transmission des messages acquis à travers différents bords du réseau se produit simultanément, de sorte que chaque nœud est mis à jour avec tous ses bords entrants. crédit: les sciences (2023). est ce que je: 10.1126/science.adi2336
Cette semaine, les chercheurs de Google DeepMind ont dévoilé un modèle de prévision météorologique très précis basé sur l’IA qui, selon eux, représente un « level critique dans les prévisions météorologiques ».
Dans un article publié dans les sciencesRemy Lam, chercheur scientifique chez DeepMind, a déclaré que leur logiciel est plus rapide et plus précis que les méthodes de prévision actuelles et peut déterminer des propriétés telles que l. a. pression atmosphérique, l. a. température, l’humidité et le vent avec une précision jusqu’à 10 jours à l’avance.
Le modèle GraphCast « surpasse considérablement les systèmes déterministes opérationnels plus précis sur 90 % des 1 380 cibles de validation », a déclaré Lam.
Depuis des décennies, les prévisions météorologiques reposent sur des formules de prévision numérique du temps (PNT), qui sont des équations complexes basées sur l. a. body et couvrant un grand nombre de variables.
Cette approche analyse les données collectées par les stations météorologiques, les satellites et les équipements océaniques pour prévoir les trajectoires mondiales de l. a. chaleur, de l’air et de l. a. vapeur. Les apports supplémentaires d’analystes mavens et l. a. mise à jour constante des algorithmes contribuent à des résultats précis. Mais même avec des superordinateurs, l’ensemble du processus prend du temps, consomme beaucoup d’énergie et coûte cher.
DeepMind a amélioré cette approche en entraînant des modèles d’apprentissage automatique à l’aide de 39 années de données météorologiques. En éliminant les équations basées sur l. a. body, le réseau neuronal GraphCast traite les données historiques 1 000 à 10 000 fois plus rapidement que les systèmes de prévision traditionnels.
Sur l. a. base de données de 2018, par exemple, GraphCast a généré des prévisions météorologiques jusqu’à 10 jours à l’avance en moins d’une minute ; Les méthodes traditionnelles nécessitaient des heures de calculs. Les résultats de GraphCast étaient beaucoup plus précis.
“Dans l. a. troposphère, l. a. partie de l’atmosphère l. a. plus proche de l. a. floor qui nous affecte le plus, GraphCast surpasse (les systèmes conventionnels) dans plus de 99 % des mesures”, a déclaré Lam.
De même, il a surpassé les tools conventionnels à tous les niveaux de l’atmosphère dans 90 % des prévisions.
“GraphCast mène actuellement l. a. path parmi les modèles d’IA”, selon l’informaticien Aditya Grover de l’Université de Californie à Los Angeles.
Matthew Chantry, du Centre européen pour les prévisions météorologiques à moyen terme, a déclaré au Monetary Occasions que les prévisions météorologiques utilisant l’IA se sont améliorées « beaucoup plus rapidement et de manière impressionnante que ce à quoi nous nous attendions il y a à peine deux ans ».
GraphCast ne fonctionne pas mieux que les méthodes existantes lorsqu’il s’agit de prévisions très locales, comme l. a. probabilité de pluie dans votre région. Mais il excelle lors des événements météorologiques sur des zones plus vastes, tels que les cyclones tropicaux et les fluctuations inhabituelles de température.
“Notre approche ne doit pas être considérée comme une choice aux méthodes traditionnelles de prévision météorologique”, a déclaré Lam. “Au lieu de cela, nos travaux devraient être interprétés comme l. a. preuve que (l. a. prévision météorologique assistée par l’IA) est succesful de relever les défis des problèmes de prévision du monde réel et a le potentiel de compléter et d’améliorer les meilleures méthodes existantes.”
Pendant un positive temps, les prévisions météorologiques n’avaient « aucun appreciate », comme l’a dit le comédien Rodney Dangerfield. Comme l’a dit un jour un sceptique : « Le problème avec les prévisions météorologiques est qu’il est souvent judicieux de les ignorer, et souvent d’avoir tort de s’y fier. »
George Carlin se moquait souvent des prévisionnistes dans sa regimen : « Prévisions météorologiques à lengthy terme : il va faire très chaud, puis il va faire très froid, puis il va faire à nouveau très chaud. »
GraphCast n’a pas encore atteint 1 000, et les gens peuvent encore se moquer des prévisionnistes hors base, mais avec l. a. vitesse vertigineuse des progrès des systèmes d’IA, une prédiction est certaine : l’avenir est brillant et clair pour les prévisions météorologiques de l’IA.
le les sciences L’article est intitulé « Apprentissage habile pour les prévisions météorologiques mondiales à moyen terme ».
Plus d’data:
Rémy Lam et al., Apprentissage qualifié pour les prévisions météorologiques mondiales à moyen terme, les sciences (2023). est ce que je: 10.1126/science.adi2336
© 2023 Internet de l. a. science
l. a. quotation: L’outil DeepMind fournit des prévisions météorologiques sur 10 jours en 60 secondes (15 novembre 2023) Récupéré le 15 novembre 2023 sur
Ce report est soumis au droit d’auteur. Nonobstant toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif uniquement.