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. ↑ a b 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. ↑ a b 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. ↑ a b 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. ↑ a b 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. ↑ a b 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.).

Content Disclaimer

Informasi ini disarikan dari Wikipedia dan disajikan kembali untuk tujuan edukasi. Konten tersedia di bawah lisensi CC BY-SA 3.0. Kami tidak bertanggung jawab atas ketidakakuratan data yang bersumber dari kontribusi publik tersebut.

  1. The information displayed on this website is sourced in part or in whole from Wikipedia and has been adapted for the purpose of restating it. We strive to provide accurate and relevant information, however:
  2. There is no guarantee of absolute accuracy. Wikipedia is an open, collaborative project that can be edited by anyone, so information is subject to change.
  3. It is not intended to constitute professional advice. The content displayed is for informational and educational purposes only. For important decisions (e.g., medical, legal, or financial), please consult a professional.
  4. Content copyright. Wikipedia is licensed under the Creative Commons Attribution-ShareAlike License (CC BY-SA). This means that content may be reused with appropriate attribution and shared under a similar license.
  5. Responsible use. Any risk arising from the use of information from this website is entirely the responsibility of the user.