Künstliche Intelligenz könnte die Vorhersage von Unwetterereignissen verbessern

-
Experten und Forscher arbeiten weiterhin daran, Extremphänomene genauer vorherzusagen.
Teresa Abrantes

Teresa Abrantes Meteorisiertes Portugal 12.05.2024 06:05 5 Minuten

Angesichts der Schwierigkeit, eine Vorhersage mit großer Präzision anzubieten, insbesondere wenn extreme Phänomene vorhergesagt werden, hat Google ein Tool entwickelt, um zu versuchen, diese Art von Problem anzugehen: ein KI-Modell, das Wetterkatastrophen genauer vorhersagen kann.

Google hat ein KI-Modell erstellt, das Extremereignisse genauer vorhersagen kann

Google hat ein neues Modell namens „Scalable Ensemble Envelope Diffusion Sampler“ (SEEDS) erstellt Künstliche Intelligenz (KI)-Technologie zur Beschleunigung und Verbesserung von Wettervorhersagen Verwendung von Diffusionsmodellen.

Wettervorhersage: kurze Geschichte ihres Auftretens und ihrer Entwicklung

Wettervorhersage: kurze Geschichte ihres Auftretens und ihrer Entwicklung

Das Google-Modell (SEEDS) ermöglicht eine erhebliche Reduzierung des Rechenaufwands zur Erstellung gemeinsamer Prognosen und bessere Charakterisierung seltener oder extremer Wetterereignisse.

SEEDS erstellt Wettervorhersagen mithilfe von a Von mehreren meteorologischen Agenturen gesammelter Datensatz, der konventionelle/betriebliche Modelle erstellt.

Daher unterscheidet sich dieses Modell von herkömmlichen Prognosemodellen durch seine Geschwindigkeit und die Fähigkeit, verschiedene Daten und Prognosesätze gleichzeitig zu analysieren.

Die Wettervorhersage ist grundsätzlich unsicher. Daher, Es ist wichtig, diese Unsicherheit im Hinblick auf die Eintrittswahrscheinlichkeit widerzuspiegelndie ein wesentlicher Bestandteil der betrieblichen Wettervorhersage ist.

Bei einem numerischen Wettervorhersagemodell besteht die Standardmethode zur Quantifizierung dieser Unsicherheit darin, die Anfangsbedingungen des Modells und seine Darstellung der zu erzeugenden physikalischen Prozesse im kleinen Maßstab zu stören eine Reihe möglicher Klimaverläufe, bestehend aus mehreren Mitgliedern. Daher wird eine Wahrscheinlichkeitsverteilung gewählt, die den Wetterzuständen zugrunde liegt.

Diese Informationen über die Eintrittswahrscheinlichkeit einer bestimmten meteorologischen Situation, durch die sogenannten Betriebsmodelle vorhergesagt wird, ist ein Mehrwert für den Nutzer der Prognose. Die Quantifizierung der Unsicherheit über das Ereignis ist für die Entscheidungsfindung von entscheidender Bedeutung. Daher sollte bei der numerischen Wettervorhersage immer die probabilistische Vorhersage verwendet werden.

Computers; KI
Bei der numerischen Wettervorhersage wurden große Fortschritte erzielt, aber wir treten jetzt in eine neue Ära der computergestützten Wettervorhersage ein.

Angesichts des Rechenaufwands für die Generierung jedes Ensemblemitglieds gilt jedoch: Wettervorhersagezentren können es sich nur leisten, für jeden Vorhersagezyklus 10 bis 50 Mitglieder zu generieren.

Diese Einschränkung ist besonders problematisch für Benutzer, die sich darüber Sorgen machen Wahrscheinlichkeit seltener, schwerwiegender Wetterereignisse, für deren Auswertung normalerweise viel größere Mengen erforderlich sind. Zum Beispiel, Um die Wahrscheinlichkeit von Ereignissen mit einer Eintrittswahrscheinlichkeit von 1 % und einem relativen Fehler von weniger als 10 % vorherzusagen, wäre ein kalibriertes Ensemble von 10.000 Mitgliedern erforderlich.

Zusätzlich zu der Tatsache, dass mehr Rechenleistung zur Verfügung steht, um in Zukunft größere Mengen zu generieren, Es ist unbedingt erforderlich, effizientere Ansätze zur Generierung von Ensemblevorhersagen zu erforschen.

In diesem Zusammenhang bieten die jüngsten Fortschritte in der generativen künstlichen Intelligenz (GIA) einen potenziellen Weg zu massiven Kostensenkungen bei der Ensemblevorhersage.

Wenn SEEDS darauf ausgelegt ist, im operativen Prognosesystem vorhandene Verzerrungen zu korrigieren, bieten die generierten Ensembles bessere probabilistische Prognosemetriken. Sie sind zuverlässiger und die Vorhersagewahrscheinlichkeiten extremer Phänomene realistischer und präziser.

Google-Modell während der europäischen Hitzewelle getestet

Obwohl sich das SEEDS-Methodikmodell auf die Wettervorhersage konzentriert, ist diese Methodik Es kann auch die Erstellung umfangreicher Sätze von Klimaprojektionen zur Klimarisikobewertung ermöglichen.

Laut Google ermöglicht der generative Ansatz von Google die Erstellung von sehr große Ensembles, die sehr seltene Ereignisse charakterisieren und Proben von Klimazuständen liefern können die einen bestimmten Schwellenwert überschreiten, für jede benutzerdefinierte Diagnose.

Das Modell wurde letztes Jahr als Test verwendet, während der europäischen Hitzewelle. Die Ergebnisse wurden Ende März dieses Jahres in Science Advances veröffentlicht.

Das beobachtete Ereignis war so unwahrscheinlich, dass sieben Tage zuvor Keiner der 31 Mitglieder des Einsatzteams konnte die auftretenden hohen Temperaturen vorhersagen.

Das SEEDS-Technologiemodell von Google konnte die Wahrscheinlichkeit des Auftretens eines solchen Phänomens berechnen und das Ereignis statistisch viel besser abdecken.

Dadurch konnten wir sowohl die Wahrscheinlichkeit des Eintretens des Ereignisses quantifizieren als auch Stellen Sie die Klimabedingungen vor, in denen es auftreten würde.

-

PREV PS2 hatte kaum 32 MB RAM, also zerbrach Rockstar sich den Kopf, um den riesigen Datenverkehr von GTA San Andreas zu bewältigen
NEXT das Galaxy Book4 Edge mit AI ist offiziell für Spanien