“`html
Продвижение в области машинного обучения для прогнозирования погоды FuXi-2.0 для практических применений
Модели машинного обучения (МО) все чаще используются в прогнозировании погоды, предлагая точные прогнозы и снижая вычислительные затраты по сравнению с традиционными числовыми моделями прогнозирования погоды (NWP). Однако текущие модели МО часто имеют ограничения, такие как грубое временное разрешение (обычно 6 часов) и узкий набор метеорологических переменных, что может ограничить их практическое использование. Точное прогнозирование критично для секторов возобновляемой энергии, авиации и морской перевозки. Несмотря на достижения, модели МО по-прежнему сталкиваются с проблемами непрерывности прогнозирования и временным разрешением. Хотя некоторые модели сделали значительные успехи в точности и эффективности, улучшение их временной детализации и включение более широкого набора метеорологических переменных остается сложной задачей.
Применение FuXi-2.0 в практических прогнозах погоды
Исследователи Университета Фудан и Шанхайской Академии искусственного интеллекта представили FuXi-2.0, передовую модель МО для глобального прогнозирования погоды, которая предоставляет прогнозы с интервалом в 1 час и охватывает широкий спектр метеорологических переменных. FuXi-2.0 превосходит высокоразрешенные прогнозы Европейского центра по среднесрочному прогнозированию погоды (ECMWF) (HRES) в ключевых областях, таких как прогнозирование ветровой энергии и интенсивность тропических циклонов. Модель интегрирует атмосферные и океанические компоненты, обеспечивая улучшенную точность по сравнению с ее предшественником, FuXi-1.0, и другими моделями, такими как Pangu-Weather. Улучшенное временное разрешение FuXi-2.0 и обширный набор переменных значительно продвигают практические применения прогнозирования погоды.
Исследование использует набор данных реанализа ERA5 от ECMWF, который предоставляет часовые метеорологические данные с пространственным разрешением около 31 км, начиная с января 1950 года. Для этого исследования использовались два набора данных ERA5: один охватывает период с 2012 по 2017 год для обучения модели прогнозирования с интервалом в 6 часов, а другой – с 2015 по 2017 год для модели прогнозирования с интервалом в 1 час. FuXi-2.0 прогнозирует 88 метеорологических переменных, включая верхние и поверхностные переменные, с дополнительными статическими и временными кодировками географической информации. Обучение модели включало сброс накопленных переменных до нуля для соответствия операционным условиям и установку океанических переменных в NaN, где это применимо. Также использовались данные с ветряных ферм в Великобритании и Южной Корее для прогнозирования ветровой энергии, включая меры контроля качества для обеспечения точности.
FuXi-2.0 представляет двойную модельную систему для предоставления непрерывных прогнозов с интервалом в 1 час, интегрируя первичную модель для прогнозов с интервалом в 6 часов и вторичную модель для часовой интерполяции. Эта архитектура повышает надежность и эффективность по сравнению с предыдущими моделями. Модель с интервалом в 6 часов обрабатывает данные через сверточные слои и блоки Swin Transformer, в то время как модель с интервалом в 1 час генерирует часовые прогнозы в пределах 6-часового окна. Обучение использовало надежную функцию потерь Шарбонье и включало обширную итерацию кластера графических процессоров. Прогнозирование ветровой энергии проводилось с использованием модели MLP, сосредоточенной на прогнозах на следующий день. Метрики оценки включали RMSE, ACC и активность прогноза/наблюдения, с использованием нормализованных различий для сравнения производительности модели.
Исследование оценивает 1-часовые прогнозы FuXi-2.0 с использованием данных за 2018 год, сравнивая его производительность с ECMWF HRES и Pangu-Weather. FuXi-2.0 показывает превосходную точность в переменных, важных для прогнозирования погоды, таких как температура и скорость ветра, превосходя ECMWF HRES по показателям среднеквадратической ошибки (RMSE) и коэффициенту корреляции аномалий (ACC) на большинстве временных лагов прогноза. Его прогнозы более детализированы, чем у Pangu-Weather, и имеют лучшие показатели активности. Кроме того, прогнозы ветровой энергии FuXi-2.0 для ветряных ферм и прогнозы интенсивности тропических циклонов более точны, чем у ECMWF HRES, демонстрируя улучшенные прогностические возможности.
В заключение, недавние достижения в области МО для прогнозирования погоды привели к моделям, превосходящим ECMWF HRES в точности глобального прогнозирования. Эти модели МО обычно предлагают временное разрешение 6 часов и пространственное разрешение 0,25°, но ограничены своим фокусом на основных метеорологических переменных. Модель FuXi-2.0 решает эти ограничения, предоставляя 1-часовые прогнозы и включая более широкий набор переменных, критически важных для секторов ветровой и солнечной энергии, авиации и морской перевозки. FuXi-2.0 превосходит ECMWF HRES и интегрирует атмосферные и океанические данные для улучшенных прогнозов тропических циклонов. Будущие улучшения включают более высокие пространственные разрешения, дополнительные переменные и улучшенную точность осадков.
Посмотрите статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter и присоединиться к нашему Telegram-каналу и группе в LinkedIn. Если вам нравится наша работа, вам понравится наш новостной бюллетень.
Не забудьте присоединиться к нашему 50k+ ML SubReddit
БЕСПЛАТНЫЙ ВЕБИНАР ПО ИИ: “SAM 2 для видео: как настроить на ваши данные” (ср, 25 сентября, 4:00 – 4:45 EST)
Статья опубликована на сайте MarkTechPost.
“`
