Ricerca
Il nostro modello all’avanguardia fornisce previsioni meteorologiche per 10 giorni con una precisione senza precedenti in meno di un minuto
Il tempo influisce su tutti noi, in modi grandi e piccoli. Può dettare come ci vestiamo al mattino, fornirci energia verde e, nel peggiore dei casi, creare tempeste che possono devastare le comunità. In un mondo caratterizzato da condizioni meteorologiche sempre più estreme, previsioni rapide e accurate non sono mai state così importanti.
In un documento pubblicato su Scienzapresentiamo GraphCast, un modello AI all’avanguardia in grado di effettuare previsioni meteorologiche a medio termine con una precisione senza precedenti. GraphCast prevede le condizioni meteorologiche fino a 10 giorni in anticipo in modo più accurato e molto più veloce rispetto al sistema di simulazione meteorologica standard di riferimento del settore: le previsioni ad alta risoluzione (HRES), prodotte dal Centro europeo per le previsioni meteorologiche a medio termine (ECMWF).
GraphCast può anche offrire avvisi tempestivi di eventi meteorologici estremi. Può prevedere le tracce dei cicloni con grande precisione nel futuro, identificare i fiumi atmosferici associati al rischio di inondazioni e prevedere l’insorgenza di temperature estreme. Questa capacità ha il potenziale per salvare vite umane attraverso una maggiore preparazione.
GraphCast compie un significativo passo avanti nell’intelligenza artificiale per le previsioni meteorologiche, offrendo previsioni più accurate ed efficienti e aprendo percorsi per supportare il processo decisionale fondamentale per le esigenze delle nostre industrie e società. E, da open source del codice modello per GraphCast, stiamo consentendo a scienziati e meteorologi di tutto il mondo di apportare benefici a miliardi di persone nella loro vita quotidiana. GraphCast è già utilizzato dalle agenzie meteorologiche, incluso ECMWF, che sta conducendo un esperimento dal vivo le previsioni del nostro modello sul suo sito web.
Una selezione delle previsioni di GraphCast nell’arco di 10 giorni che mostrano umidità specifica a 700 ettopascal (circa 3 km sopra la superficie), temperatura superficiale e velocità del vento superficiale.
La sfida delle previsioni meteorologiche globali
La previsione meteorologica è una delle attività scientifiche più antiche e impegnative. Le previsioni a medio termine sono importanti per supportare i processi decisionali chiave in tutti i settori, dall’energia rinnovabile alla logistica degli eventi, ma sono difficili da realizzare in modo accurato ed efficiente.
Le previsioni si basano tipicamente sulla previsione numerica del tempo (NWP), che inizia con equazioni fisiche attentamente definite, che vengono poi tradotte in algoritmi informatici eseguiti su supercomputer. Sebbene questo approccio tradizionale sia stato un trionfo della scienza e dell’ingegneria, la progettazione di equazioni e algoritmi richiede molto tempo e competenze approfondite, nonché costose risorse di calcolo per effettuare previsioni accurate.
Il deep learning offre un approccio diverso: utilizzare i dati anziché le equazioni fisiche per creare un sistema di previsioni meteorologiche. GraphCast è addestrato su decenni di dati meteorologici storici per apprendere un modello delle relazioni di causa ed effetto che governano l’evoluzione del clima terrestre, dal presente al futuro.
Fondamentalmente, GraphCast e gli approcci tradizionali vanno di pari passo: abbiamo addestrato GraphCast su quattro decenni di dati di rianalisi meteorologica, dal set di dati ERA5 dell’ECMWF. Questo tesoro si basa su osservazioni meteorologiche storiche come immagini satellitari, radar e stazioni meteorologiche che utilizzano un NWP tradizionale per “riempire gli spazi vuoti” dove le osservazioni sono incomplete, per ricostruire una ricca documentazione del tempo storico globale.
GraphCast: un modello AI per le previsioni del tempo
GraphCast è un sistema di previsioni meteorologiche basato sull’apprendimento automatico e sulle reti neurali a grafo (GNN), che rappresentano un’architettura particolarmente utile per l’elaborazione di dati strutturati spazialmente.
GraphCast effettua previsioni ad alta risoluzione di 0,25 gradi di longitudine/latitudine (28 km x 28 km all’equatore). Si tratta di più di un milione di punti della griglia che coprono l’intera superficie terrestre. In ogni punto della griglia il modello prevede cinque variabili della superficie terrestre – tra cui temperatura, velocità e direzione del vento e pressione media a livello del mare – e sei variabili atmosferiche a ciascuno dei 37 livelli di altitudine, tra cui umidità specifica, velocità e direzione del vento e temperatura.
Sebbene la formazione di GraphCast sia stata intensiva dal punto di vista computazionale, il modello di previsione risultante è altamente efficiente. Fare previsioni a 10 giorni con GraphCast richiede meno di un minuto su un singolo computer Google TPU v4. Per fare un confronto, una previsione a 10 giorni utilizzando un approccio convenzionale, come l’HRES, può richiedere ore di calcolo in un supercomputer con centinaia di macchine.
In una valutazione completa delle prestazioni rispetto al sistema deterministico gold standard, HRES, GraphCast ha fornito previsioni più accurate su oltre il 90% delle 1380 variabili di test e tempi di previsione (vedi il nostro Documento scientifico per dettagli). Quando abbiamo limitato la valutazione alla troposfera, la regione dell’atmosfera alta 6-20 chilometri più vicina alla superficie terrestre dove una previsione accurata è più importante, il nostro modello ha sovraperformato l’HRES sul 99,7% delle variabili di test per il tempo futuro.
Per gli input, GraphCast richiede solo due serie di dati: lo stato del tempo 6 ore fa e lo stato del tempo attuale. Il modello prevede quindi il tempo per 6 ore nel futuro. Questo processo può quindi essere portato avanti con incrementi di 6 ore per fornire previsioni all’avanguardia fino a 10 giorni in anticipo.
Avvisi migliori per eventi meteorologici estremi
Le nostre analisi hanno rivelato che GraphCast può anche identificare eventi meteorologici gravi prima rispetto ai modelli di previsione tradizionali, nonostante non sia stato addestrato a cercarli. Questo è un ottimo esempio di come GraphCast potrebbe aiutare a salvare vite umane e ridurre l’impatto delle tempeste e delle condizioni meteorologiche estreme sulle comunità.
Applicando un semplice rilevatore di cicloni direttamente alle previsioni GraphCast, potremmo prevedere il movimento dei cicloni in modo più accurato rispetto al modello HRES. A settembre, una versione live del nostro modello GraphCast disponibile al pubblico, distribuito sul sito web dell’ECMWF, prevedeva accuratamente con circa nove giorni di anticipo che l’uragano Lee si sarebbe abbattuto sulla Nuova Scozia. Al contrario, le previsioni tradizionali presentavano una maggiore variabilità su dove e quando si sarebbe verificato l’approdo e si concentravano sulla Nuova Scozia solo con circa sei giorni di anticipo.
GraphCast può anche caratterizzare i fiumi atmosferici: regioni strette dell’atmosfera che trasferiscono la maggior parte del vapore acqueo al di fuori dei tropici. L’intensità di un fiume atmosferico può indicare se porterà piogge benefiche o un diluvio che provocherà inondazioni. Le previsioni di GraphCast possono aiutare a caratterizzare i fiumi atmosferici, il che potrebbe aiutare a pianificare insieme le risposte alle emergenze Modelli di intelligenza artificiale per prevedere le inondazioni.
Infine, prevedere le temperature estreme è di crescente importanza nel nostro mondo in via di riscaldamento. GraphCast può caratterizzare quando il calore è destinato a salire al di sopra delle temperature massime storiche per qualsiasi luogo sulla Terra. Ciò è particolarmente utile per anticipare le ondate di caldo, eventi dirompenti e pericolosi che stanno diventando sempre più comuni.
Previsione di eventi gravi: confronto tra GraphCast e HRES.
A sinistra: prestazioni di tracciamento del ciclone. Man mano che il tempo necessario per prevedere i movimenti dei cicloni aumenta, GraphCast mantiene una precisione maggiore rispetto a HRES.
A destra: previsione atmosferica del fiume. Gli errori di previsione di GraphCast sono nettamente inferiori a quelli di HRES per l’insieme delle previsioni a 10 giorni
Il futuro dell’intelligenza artificiale per il meteo
GraphCast è ora il sistema di previsioni meteorologiche globali a 10 giorni più accurato al mondo ed è in grado di prevedere eventi meteorologici estremi più in là nel futuro di quanto fosse possibile in precedenza. Man mano che i modelli meteorologici si evolvono in un clima che cambia, GraphCast si evolverà e migliorerà man mano che saranno disponibili dati di qualità superiore.
Per rendere più accessibili le previsioni meteorologiche basate sull’intelligenza artificiale, abbiamo open source il codice del nostro modello. L’ECMWF lo è già sperimentando le previsioni a 10 giorni di GraphCast e siamo entusiasti di vedere le possibilità che apre ai ricercatori: dall’adattamento del modello per particolari fenomeni meteorologici all’ottimizzazione per diverse parti del mondo.
GraphCast si unisce ad altri sistemi di previsione meteorologica all’avanguardia di Google DeepMind e Google Research, incluso un sistema regionale Modello di nowcasting che produce previsioni fino a 90 minuti in anticipo e MetNet-3un modello di previsione meteorologica regionale già operativo negli Stati Uniti e in Europa che produce previsioni 24 ore su 24 più accurate di qualsiasi altro sistema.
Essere pionieristici nell’uso dell’intelligenza artificiale nelle previsioni meteorologiche porterà benefici a miliardi di persone nella loro vita quotidiana. Ma la nostra ricerca più ampia non riguarda solo l’anticipazione del tempo: riguarda la comprensione dei modelli più ampi del nostro clima. Sviluppando nuovi strumenti e accelerando la ricerca, speriamo che l’intelligenza artificiale possa consentire alla comunità globale di affrontare le nostre più grandi sfide ambientali.
Fonte: deepmind.google
