Numeryczne modele pogody AI w służbie meteorologicznej IMGW-PIB. Pierwsze kroki.

Opracowanie: dr Bogdan Bochenek, Centrum Modelowanie IMGW-PIB.

Instytut Meteorologii i Gospodarki Wodnej – Państwowy Instytut Badawczy (IMGW-PIB) wprowadza nowe technologie AI do prognozowania warunków meteorologicznych, wykorzystując globalne modele FourCastNet oraz Pangu-Weather o rozdzielczościach przestrzennych 0.25°. Testy przeprowadzone na superkomputerach ACK Cyfronet w ramach projektu EuroHPC obiecują postęp w precyzji i szybkości prognoz.

Modelowanie oparte na danych w oparciu o uczenie maszynowe posiada ogromny potencjał w zakresie prognozowania pogody. Wykorzystanie metod uczenia maszynowego może zmienić reguły gry w zakresie stopniowego postępu w tradycyjnym numerycznym prognozowaniu pogody, który można nazwać „cichą rewolucją” prognozowania pogody. Koszt obliczeniowy prognozowania za pomocą standardowych systemów deterministycznych znacznie utrudnia postęp w modelowaniu pogody, który można wprowadzać poprzez zwiększenie rozdzielczości modelu i zwiększanie liczby elementów w zespołach modeli wiązkowych. Jednak rozwój metod sztucznej inteligencji pozwala na opracowanie nowej generacji modeli, które będą wykorzystywać wysokiej jakość dane z reanalizy (np. ERA5) w procesie uczenia modelu, co umożliwi tworzenie prognoz wymagających znacznie niższych kosztów obliczeniowych i konkurencyjnych pod względem dokładności z klasycznymi modelami.

W 2023 roku naukowcy z Centrum Modelowania Meteorologicznego IMGW-PIB przeprowadzili implementację i testy dwóch zaawansowanych modeli AI: FourCastNet i Pangu-Weather. Testy wykonane na superkomputerach ACK Cyfronet Ares i Athena pokazały, że oba modele mogą znacząco poprawić jakość i szybkość prognozowania pogody.

FourCastNet (Fourier Forecasting Neural Network) jest globalnym modelem prognozowania pogody oparty na wieloletnich danych, który zapewnia globalne prognozy krótko i średnio terminowe z rozdzielczością 0,25∘. FourCastNet prognozuje obecnie pola meteorologiczne powierzchniowe i na kilku poziomach ciśnieniowych, takie jak prędkość wiatru na poziomie 10m, opady, geopotencjał, temperatura i zawartość pary wodnej w atmosferze. Ma to ważne implikacje dla planowania zasobów energii wiatrowej, przewidywania ekstremalnych zdarzeń pogodowych, takich jak cyklony tropikalne, cyklony pozatropikalne i rzeki atmosferyczne. FourCastNet dokładnością prognozowania dorównuje modelowi IFS ECMWF, jednemu z najnowocześniejszych modeli numerycznych pogody, w prognozach krótkoterminowych dla zmiennych wielkoskalowych, a jednocześnie przewyższa IFS w przypadku zmiennych ze złożonymi strukturami uwzględniającymi opady. Największą zaletą modelu FourCastNet jest fakt, że generuje on tygodniową prognozę w czasie krótszym niż 2 sekundy, czyli o rząd wielkości szybciej niż IFS. Szybkość FourCastNet umożliwia tworzenie szybkich i niedrogich w sensie czasu symulacji, prognoz wiązkowych w celu poprawy prognozowania probabilistycznego. Innowacyjnym podejściem w przypadku modelu FourCastNet jest wprowadzenie elementu losowego do obliczeń. Zamiast perturbować dane początkowe wielokrotnie od początku prognozy, model perturbuje go raz, a następnie iteracyjnie perturbuje każdy z otrzymanych wyników. Startujemy z jednego stanu atmosfery jak w przypadku prognozy deterministycznej, perturbujemy go metodami stochastycznymi i po jednym kroku czasowym (w przypadku modelu FourCastNet jest to 6 godzin) otrzymujemy 2 elementy wiązki, każdy osobno perturbujemy i dalej kolejno otrzymujemy w kolejnych krokach czasowych 4, 8, 16, 32, 64, 128 i ostatecznie 256 elementów wiązki po 48 godzinach prognozy.

Pangu-Weather, to kolejnym globalnym modelem pogody opartym na głębokim uczeniu maszynowym, który został opracowanym przez firmę Huawei Cloud. Podobnie jak w przypadku modelu FourCastNet, wykorzystuje w procesie uczenia wyniki z modelu globalnego ERA5. Badania przeprowadzone przez firmę Huawei Cloud i ECMWF pokazały, że metody oparte na sztucznej inteligencji przewyższają najnowocześniejsze metody numerycznego prognozowania pogody (NWP) pod względem dokładności wszystkich prognozowanych parametrów (np. geopotencjał, wilgotność właściwa , prędkość wiatru, temperatura itp.) i we wszystkich przedziałach czasowych (od jednej godziny do jednego tygodnia).Pangu-Weather posiada szeroką gamę scenariuszy prognoz, w tym prognozy ekstremalnych warunków pogodowych (np. śledzenie cyklonów tropikalnych) i prognozy wiązkowe w czasie rzeczywistym. Pangu-Weather nie tylko kończy debatę na temat tego, czy metody oparte na sztucznej inteligencji mogą przewyższać konwencjonalne metody NWP, ale także ujawnia nowe kierunki udoskonalenia systemów prognoz pogody wykorzystujących głębokie uczenie się w modelach globalnych, ale także wskazuje na możliwość łączenia ich z tradycyjnymi modelami pogody deterministycznymi i probabilistycznymi.

Zespół naukowców z Centrum Modelowania Meteorologicznego w ramach prowadzonych badań przeprowadził implementację dwóch omówionych globalnych modeli pogody opartych na algorytmach uczenia maszynowego. Badania były podzielone na dwa etapy. W pierwszym implementowane modele na superkomputerach Ares i Athena i sprawdzenie działania modeli na danych testowych bazujących na wcześniej przygotowanym zbiorze uczącym, w celu zweryfikowania poprawności instalacji. W drugim kroku wprowadzone zostały modyfikacje w kodach źródłowych modeli pozwalające na ich adaptację do pracy z aktualnymi wynikami modelu ERA5 z repozytorium Copernicus, co umożliwiło zasymulować prognozy operacyjne. Istotnym elementem w kontekście operacyjnego wykorzystania jest w pełni zautomatyzowana procedura przygotowania danych i uruchomienia modeli.

Przeprowadzone testy wykazały, że czas obliczeń zarówno na danych testowych jak in aktualizowanych był bardzo krótki, nie przekraczając kilku minut pracy na jednym węźle superkomputera. Widać z tego, że model można uruchomić na niedużym serwerze lub stacji roboczej, jeśli mamy przygotowany zbiór uczący. Natomiast wykorzystanie superkomputera było uzasadnione w przypadku potrzeby ponownego treningu modelu na bardziej lokalnych danych.

Wyniki uzyskane po szeregu eksperymentów numerycznych pokazały , że średnie prognozy są niemal identyczna z klasycznym podejściem wykorzystującym modele deterministyczne, a odchylenie standardowe jest większe, co pozwala na wykrycie potencjalnych zdarzeń ekstremalnych przy znacznie mniejszym zapotrzebowaniu na moce obliczeniowe.

Ryc. 1 Nowy sposób generowania prognoz wiązkowych (u góry) w porównaniu do klasycznego podejścia (na dole). Wizualizacja koncepcyjna na losowo wygenerowanych danych.

Ryc. 2 Odchylenie standardowe pól meteorologicznych prognozowanych przez model FourCastNet (https://github.com/NVlabs/FourCastNet) po 9 krokach czasowych (48 godzin prognozy) dla klasycznej prognozy wiązkowej (ENS) i proponowanej iteracyjnego perturbowania każdego z otrzymanych wyników (STO).

Ryc. 3 Przykład prognozy opracowanej przez naukowców z Centrum Modelowania Meteorologicznego IMGW-PIB z wykorzystaniem modelu FourCastNet. Temperatura na poziomie 2 metrów 2018-01–03 godzina 00 UTC. Mapa prezentuje średnią  z 256 elementów wiązki modelu. Start prognozy modelu 2018-01-01 godzina 00:00 UTC.

Wdrożenie modeli FourCastNet i Pangu-Weather w IMGW-PIB to krok milowy w wykorzystaniu sztucznej inteligencji do prognozowania numerycznego pogody. Innowacje te nie tylko przyspieszają obliczenia, ale również oferują nowe metody analizy danych, otwierając drogę do bardziej precyzyjnych i wiarygodnych prognoz. Oczekuje się, że dalszy rozwój i dostosowanie tych narzędzi pozwolą na jeszcze lepsze zrozumienie i przewidywanie zjawisk meteorologicznych w Polsce i na świecie.

Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., Tian, Q., 2022. Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast. https://doi.org/10.48550/arXiv.2211.02556

Pathak, J., Subramanian, S., Harrington, P., Raja, S., Chattopadhyay, A., Mardani, M., Kurth, T., Hall, D., Li, Z., Azizzadenesheli, K., Hassanzadeh, P., Kashinath, K., Anandkumar, A., 2022. FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators. https://doi.org/10.48550/arXiv.2202.11214

— UDOSTĘPNIJ —