Sztuczna inteligencja w prognozowaniu pogody

Opracowanie: Mariusz J. Figurski, Robert Przyłuski, Centrum Modelowania Meteorologicznego IMGW-PIB

Sztuczna inteligencja (AI), a w szczególności metody głębokiego uczenia maszynowego (ML) wykorzystujące sieci neuronowe, są w ostatnich latach z sukcesem wykorzystywane w wielu zastosowaniach. Prognozowanie pogody to jeden z obiecujących obszarów zastosowań, obejmujący potencjalnie liczne implementacjemetod sztucznej inteligencji, które mogą wspomóc procesy modelowania i doprowadzić do postępów metodologicznych, związanych ze sporym wzrostem wydajności procesów prognozowania i jakości samych prognoz pogody. Tradycyjne modele pogodowe i klimatyczne opierają się na równaniach fizycznych i statystycznych, które symulują zmiany w atmosferze, oceanach i na lądzie. Rozwiązywanie wspomnianych równań jest jednak czasochłonne i wymagają ogromnych zasobów obliczeniowych, szczególnie przy prognozach o wysokiej rozdzielczości. Sztuczna inteligencja, a zwłaszcza zaawansowane techniki uczenia maszynowego, oferuje narzędzia, które mogą wspomóc i udoskonalić modelowanie meteorologiczne i poprawić dokładność prognoz, jednocześnie skracając czas potrzebny na ich przygotowanie.

Czym jest sztuczna inteligencja?

Pierwszą trudnością jest precyzyjne zdefiniowanie pojęcia sztucznej inteligencji. W pierwszym przybliżeniu można powiedzieć, że jest to szeroki zestaw technik opartych na podstawach matematycznych i naukach obliczeniowych, których celem jest odtworzenie niektórych aspektów ludzkiej inteligencji (na przykład rozumowanie, kreatywność). Sztuczna inteligencja (pojęcie wprowadzone Johna McCarthy’ego) nie jest niczym nowym, pojawiła się już w latach pięćdziesiątych XX wieku, najpierw w formie systemów eksperckich w których ludzie ustalają zbiór zasad i instrukcji, które następnie zgodnie z opracowanym algorytmem wykonuje maszyna. W tej dziedzinie również doszło do ewolucji – obecnie najpowszechniej stosowane, a jednocześnie najbardziej wydajne metody sztucznej inteligencji opierają się na odmiennym podejściu: ludzie nie przepisują już reguł, ale tworzą programy komputerowe zdolne do uczenia się najlepszych relacji z danych. Nazywa się to uczeniem maszynowym, którego struktura algorytmiczna opiera się zasadniczo na sieciach neuronowych.

Rys. 1. Uproszczony schemat jednokierunkowej sieci neuronowej. Poszczególne „kółka” oznaczają sztuczne neurony, z wyjątkiem zielonych, które oznaczają wejście i żółtego, który oznacza wyjście.

Inspirowana funkcjonowaniem neuronów biologicznych sztuczna sieć neuronowa to zbiór neuronów ułożonych w kilku warstwach (rys. 1), który przekształca sygnał wejściowy (np. temperaturę w chwili t) w sygnał wyjściowy (np. temperaturę w chwili t+1 godzina). To właśnie w fazie uczenia (trenowania) sieć neuronowa uczy się na podstawie danych w sposób iteracyjny, czyli wielokrotnie przetwarzając sekwencję tej samej operacji aż do uzyskania określonego warunku, w celu rozwiązania napotkanego problemu. W praktyce etap ten polega na skalibrowaniu połączeń między różnymi warstwami neuronów (zwanych również wagami sieci), aby zapewnić możliwie najbardziej zadowalającą odpowiedź na postawiony problem. Uczenie sieci neuronowej wymaga z jednej strony wystarczająco dużych zbiorów danych wejściowych i wyjściowych, reprezentatywnych dla wszystkich możliwych sytuacji, a z drugiej strony niestety znacznych zasobów obliczeniowych. Faza uczenia może być rzeczywiście długa i kosztowna, zwłaszcza gdy problem, sieć neuronowa i dane są bardzo złożone, z czym mamy do czynienia w opisie zjawisk meteorologicznych. Po wytrenowaniu sieci można ją wykorzystać do wnioskowania, tj. jako modelu predykcyjnego stosowanego do nowych danych. W przeciwieństwie do treningu, ten etap wnioskowania jest już bardzo szybki.

Pierwsze sieci neuronowe pojawiły się już w latach czterdziestych XX wieku, ale aż do pierwszej dekady XXI wieku były stosunkowo rzadko wykorzystywane z racji ograniczeń technicznych. To wzrost mocy obliczeniowej, w szczególności pojawienie się procesorów graficznych (GPU), a także dostępność ogromnych zbiorów danych umożliwiły powrót do pomysłu ponownego wykorzystania sieci neuronowych. Obecnie termin sztuczna inteligencja jest używany głównie w odniesieniu do metod wykorzystujących sieci neuronowe. Natomiast wynalezienie splotowych (konwolucyjnych) sieci neuronowych (Convolutional Neural Network – CNN) w roku 1998, wprowadzone przez Le Cuna [1] specjalnie zaprojektowanych do przetwarzania obrazów, są również jedną z głównych technik stosowanych w prognozowaniu pogody.

Sztuczna inteligencja w prognozowaniu pogody

Prognozowanie pogody jest procesem złożonym z ciągu kroków, których centralnym elementem jest numeryczny model prognostyczny. Służby meteorologiczne regularnie proponują zmiany w modelach w celu poprawy jakości prognoz. Prace rozwojowe dotyczą w szczególności zwiększania rozdzielczości siatek obliczeniowych i opracowania dotyczące nowych, niejednokrotnie bardzo skomplikowanych, parametryzacji procesów fizycznych podskalowych – czyli takich, których z racji niewielkiej skali nie jesteśmy w stanie ująć w pełni w siatce obliczeniowej modelu. W obu przypadkach są to kosztowne zmiany, zarówno w fazie rozwoju, jak i z punktu widzenia zasobów obliczeniowych (rys.2). W miarę, jak systemy prognozowania stają się bardziej złożone, opracowywanie prognoz zgodnie z określonym kluczem i harmonogramem, a przede wszystkim po rozsądnych kosztach, również tych środowiskowych, może się przy obecnie stosowanych architekturach obliczeniowych i modelach deterministycznych wkrótce stać niemożliwe. A także niewystarczające z perspektywy zapotrzebowania na bardziej szczegółową predykcję warunków meteorologicznych.

Rys.2. Optymalizacja konstrukcji modeli pogodowych. Wykres prezentuje, że zdolność do dalszego zwiększania rozdzielczości prognoz przez ECMWF, przy jednoczesnym utrzymywaniu zużycia energii w akceptowalnych granicach, zależy w dużej mierze od skalowalności systemów obliczeniowych. Liczba wymaganych rdzeni obliczeniowych w tradycyjnej technologii, a co za tym idzie wzrost ilość zużywanej energii, szybko rośnie wraz ze wzrostem rozdzielczości prognoz „deterministycznych” i prognoz wiązkowych. Czerwona linia pokazuje przyjęty przez ECMWF maksymalny poziom mocy (20MW), który mogą zużywać superkomputery, na których pracują modele pogody. (źródło: https://www.ecmwf.int/en/about/media-centre/news/2017/shaping-future-supercomputing-numerical-weather-prediction).

Wobec tak nakreślonych ograniczeń, algorytmy AI mają tę zaletę, że są niezwykle szybkie w fazie wnioskowania. Zatem rozwiązanie złożonego problemu fizycznego przez sztuczną inteligencję jest na ogół zdecydowanie szybsze i potrzebuje zdecydowanie mniejszych mocy obliczeniowych niż w przypadku prezentowanego powyżej podejścia klasycznego, które często wymagaja rozwiązania kilkuset, a nawet setek tysięcy równań. Czyni to sztuczną inteligencję potencjalnie interesującym narzędziem m.in. przyspieszającym obliczenia prognoz. Warto w tym miejscu dodać, że zastosowanie sztucznej inteligencji w meteorologii nie jest nowym rozwiązaniem. Już w latach 90-tych techniki sztucznej inteligencji umożliwiły innowacyjny rozwój w statystycznym przetwarzaniu wyników numerycznych prognoz pogody.

Obecnie sztuczna inteligencja rewolucjonizuje prognozowanie ekstremalnych zjawisk pogodowych na wiele sposobów. Od kilku lat metody sztucznej inteligencji włączane są również do numerycznych modeli pogody. Dzięki zaawansowanym algorytmom, sztuczna inteligencja potrafi analizować ‌ogromne ilości danych w krótkim czasie. To oznacza, że w praktyce, bazując na wynikach dostępnych modeli, meteorolodzy mogą szybciej przewidywać huragany, tornada czy powodzie. A to z kolei pozwala na‌ wcześniejsze ostrzeganie ludzi i lepsze przygotowanie się na nadchodzące zagrożenia. Jednym z zastosowań sztucznej inteligencji jest wykorzystanie modeli uczenia maszynowego do analizy wzorców pogodowych z przeszłości. Modele takie są‍ w stanie‌ dostrzegać subtelne zmiany i trendy, które są niewidoczne czy dotąd pomijane w tradycyjnych metodach prognozowania. Wyniki symulacji pokazują, że sztuczna inteligencja może skuteczniej przewidywać intensywność zjawisk konwekcyjnych i opadów deszczu, ale również przyczynić się do redukcji błędów systematycznych (przeszacowywania lub niedoszacowywania) w prognozach [2].

Uczenie maszynowe znalazło zastosowanie w prognozowaniu ekstremalnych zjawisk pogodowych, takich jak huragany, fale upałów i powodzie. Modele trenowane na danych historycznych, mogą zidentyfikować warunki atmosferyczne prowadzące do zjawisk ekstremalnych i przewidywać ich intensywność i prawdopodobieństwo wystąpienia. Przykładem może być wykorzystanie sieci neuronowych do przewidywania tras huraganów z większą dokładnością niż obecnie stosowane tradycyjne modele. Innym kluczowym obszarem wykorzystania sztucznej inteligencji są prognozy ultrakrótkoterminowe (nowcastingowe). Nowoczesne algorytmy, takie jak sieci rekurencyjne (RNN) i konwolucyjne sieci neuronowe (CNN), są zdolne do szybkiej analizy danych z radarów meteorologicznych. Dzięki temu prognozy opadów lub siły wiatru na najbliższe godziny mogą być dokładniejsze, co jest szczególnie istotne dla szeregu obszarów gospodarki np. rolnictwa, lotnictwa oraz sektora energetycznego, zwłaszcza w zarządzaniu energią z turbin wiatrowych i paneli słonecznych.

W długoterminowym modelowaniu klimatu sztuczna inteligencja wspiera opracowanie modeli, które uwzględniają wpływ zmian klimatycznych na wzorce pogodowe. Modele klimatyczne generują ogromne ilości danych, a sztuczna inteligencja pozwala na ich efektywne analizowanie, pomagając lepiej zidentyfikować zmiany takich zmiennych jak temperatura powietrza, opady czy poziommórz. Dzięki algorytmom głębokiego uczenia maszynowego można symulować różne scenariusze emisji gazów cieplarnianych i oceniać ich potencjalny wpływ na klimat w przyszłości.

Modele fizyczne i modele wykorzystujące sztuczną inteligencją. Jakie są między nimi różnice?

Modele fizyczne, których przykładem są obecnie funkcjonujące modele prognozowania pogody, budowane są w oparciu o naukowe teorie oraz wiedzę ekspercką na temat funkcjonowania badanego układu (w przypadku pogody atmosfery i zjawisk w niej zachodzących), opisywanego równaniami zrozumiałymi dla komputerów. Modele te mają tę zaletę, że można je interpretować fizycznie,. Pozostają jednak tylko przybliżeniami rzeczywistego systemu przyrodniczego; ograniczonego naszym postrzeganiem świata, zrozumieniem zachodzących w nim procesów i zjawisk, przyjętymi na ich podstawie założeniami modelowania, a ponadto ograniczonymi narzuconymi przez dostępne zasoby obliczeniowe. Modele funkcjonujące z zastosowaniem narzędzi sztucznej inteligencji działają w zupełnie inny sposób.Same uczą się, na podstawie bardzo dużych zbiorów danych oraz z wykorzystaniem najlepszych zależności statystycznych, co umożliwia im przejście od danych wejściowych do danych wyjściowych. W porównaniu do modeli fizycznych z założenia modele AI są mniej interpretowalne (często określane jako „czarna skrzynka”) i nie zawsze dają gwarancję, że prawa fizyki będą przestrzegane, ale mogą umożliwić odkrycie złożonych relacji, które nie zostały jeszcze poznane lub zidentyfikowane przez naukowców. I to jest niewątpliwa zaleta wykorzystania AI do modelowania prognoz pogody. Należy jednak pamiętać, że efekt uczenia w dużej mierze zależny będzie od jakości użytego zestawu danych.

Za przykład niech posłuży prognoza temperatury powietrza w określonym czasie. Obliczenie jej za pomocą modelu fizycznego sprowadza się do rozwiązywania dobrze znanych równań sformułowanych przez człowieka, natomiast obliczenia za pomocą modelu AI polegają na zastosowaniu sekwencji zależności statystycznych wyuczonych przez sieć neuronową na podstawie danych zastosowanych w fazie uczenia. Modelowanie fizyczne i modelowanie „AI” to zatem dwa bardzo różne podejścia w swej istocie, ale także mogące uzupełniać się, w celu rozwiązania danego problemu. Jakie, wobec tego podejście do nowoczesnego modelowania pogody jest optymalne? Czy dalej rozwijać i tak już skomplikowane modele fizyczne, konsumując coraz większe moce obliczeniowe superkomputerów? Czy może zaniechać ich rozwoju na rzecz modelowania z wykorzystaniem sztucznej inteligencji? Okazuje się, że rozwiązaniem może być połączenie zalet modeli fizycznych i sztucznej inteligencji w układzie hybrydowym.

W kierunku hybrydyzacji podejść fizycznych i sztucznej inteligencji do modelowania atmosfery

Sztuczną inteligencję można zintegrować z procesem prognozowania na różne sposoby. Komplementarny charakter podejścia fizycznego i sztucznej inteligencji początkowo motywował rozwój „hybrydowych” systemów prognozowania, łączących modelowanie fizyczne i sztuczną inteligencję. Przykładem może być zastąpienie najdroższych obliczeniowo lub najsłabiej reprezentowanych elementów modelu fizycznego algorytmem sztucznej inteligencji. Innym trendem w badaniach jest możliwość wykorzystania sztucznej inteligencji do poprawy niektórych cech prognoz (np. dokładności próbkowania przestrzennego), a ostatecznie ich jakości, przy niższych kosztach. Poniżej przedstawiono kilka przykładów podejścia do prognoz hybrydowych.

Parametryzacje fizyczne, które symulują skutki procesów podskalowych, takich jak promieniowanie, konwekcja czy turbulencja, są obecnie jednymi z najbardziej kosztochłonnych elementów każdego modelu fizycznego, a jednocześnie jednym z głównych źródeł niepewności wyników prognoz pogody. Od pewnego czasu zaczynają się pojawiać prace analizujące możliwość zastąpienia całości lub części tych parametrów algorytmami sztucznej inteligencji. Przykładem może być pokazana na rysunku 3 bardzo dobra zgodność między prognozą opadów uzyskaną przez model fizyczny i model hybrydowy, w którym procesy związane z głęboką konwekcją były uczone z wykorzystaniem sieci neuronowej.

Rys. 3. Średnie roczne opady (w milimetrach na dzień) obliczone na podstawie 5-letniej symulacji za pomocą (po lewej) fizycznego modelu predykcyjnego ARPEGE-Climat z standardowym schematem głębokiej konwencji i (po prawej) hybrydowego modelu fizycznego ARPEGE ze schematem głębokiej konwekcji wyuczonym przez sztuczną inteligencję[3].

Innym przykładem jest zwiększenie rozdzielczości przestrzennej modelu prognostycznego, które pozwala na lepszy opis małoskalowych zjawisk pogodowych. Jest to szczególnie ważne w przypadku zróżnicowanej orografii i prognozowania zjawisk, takich jak burze, mgła, miejskie wyspy ciepła. W tradycyjnym ujęciu wymaga jednak użycia dużej mocy obliczeniowej, co przekłada się na wzrost kosztów symulacji. Alternatywą zwiększenia rozdzielczości modelu jest downscaling statystyczny (skalowanie w dół), który polega na poznawaniu statystycznych zależności między prognozami o niskiej i wysokiej rozdzielczości. Możliwe jest zatem symulowanie prognoz w skali lokalnej poprzez bezpośrednie zastosowanie tej zależności do prognoz modelu fizycznego o niższej rozdzielczości. Najnowsze badania w tym zakresie pokazały, że skutecznym rozwiązaniem tego problemu może być zastosowanie sieci neuronowych, co pokazano na rysunku 4 [4].

Rysunek 4. Prognoza temperatury obliczona przez model fizyczny o niskiej rozdzielczości (po lewej), (po środku) przeskalowania prognozy o niskiej rozdzielczości przez sztuczną inteligencję i (po prawdzie) modelu fizyczny o wysokiej rozdzielczości [4].

Jeszcze innym przykładem mogą być prognozy wiązkowe, wykorzystywane do charakteryzowania różnych możliwych scenariuszy pogodowych dzięki równoległemu tworzeniu kilku prognoz jednocześnie. Prognozowanie wiązkowe jest w wielu przypadkach centralnym elementem strategii obliczeniowych różnych scenariuszy numerycznego prognozowania pogody, ale jego liczba realizacji (członków zespołu) pozostaje mocno ograniczona przez dostępne zasoby obliczeniowe. Stosowane operacyjnie prognozy wiązkowe wykorzystują nie więcej niż kilkadziesiąt zespołów statystycznych realizacji prognozy, podczas gdy dokładne oszacowanie rozkładów prawdopodobieństwa przyszłego stanu atmosfery wymaga kilkuset lub nawet tysięcy. Czy sztuczna inteligencja może być wykorzystana do generowania dodatkowych brakujących informacji poprzez zastąpienie deterministycznego modelu prognozowania? Ostatnie badania w tym zakresie [5] dostarczają pierwszych pozytywnych odpowiedzi. Opierając się na generatywnych algorytmach sztucznej inteligencji (kategoria sztucznej inteligencji wykorzystywana do tworzenia nowych treści i spopularyzowana przez aplikacje takie jak np. ChatGPT), pokazać można, że jest możliwe tworzenie realistycznych pól parametrów meteorologicznych w oparciu o symulacje fizyczne (klasyczne numeryczne modele pogody deterministyczno-statystyczne). Podejście takie toruje drogę dla hybrydowych prognoz wiązkowych składających się z kilkudziesięciu lub nawet setek członków w zespole.

W stronę modeli atmosferycznych w całości opartych na sztucznej inteligencji

Prowadzone na szeroką skalę badania pokazują, że sztuczna inteligencja może uzupełniać i wspomagać funkcjonujące fizyczne systemy prognozowania pogody w celu poprawy ich wydajności obliczeniowej i jakości prognoz. Następnym krokiem, który coraz częściej podejmują zespoły badawcze na całym świecie jest całkowite zastąpienie fizycznego modelu predykcyjnego modelem sztucznej inteligencji. Pierwsze prace opublikowane w ostatnich trzech latach podejmują problematykę zasępienia modeli fizycznych sztuczną inteligencją w globalnych modelach średnioterminowych [6]. , Modele sztucznej inteligencji, takie jak AIFS ECMWF, Pangu-Weather lub GraphCast, wyszkolone na podstawie dostępnych ponad 40 lat danych historycznych ponownej analizy ERA5, wbrew wszelkim oczekiwaniom konkurują obecnie w niektórych aspektach z fizycznym modelem Europejskiego Centrum Prognoz Średnioterminowych (ECMWF), uważanym obecnie za najlepszy globalny operacyjny model prognozowania na świecie. Dobowe prognozy z eksperymentalnych globalnych modeli opartych całkowicie na sztucznej inteligencji udostępniane są na stronach internetowych, dlatego każdy możne samodzielnie zweryfikować ich jakość w stosunku do modeli fizycznych np. https://www.meteociel.fr/modeles/ecmwf_aifs.php i https://charts.ecmwf.int/.

Chociaż modele działające w oparciu o sztuczną inteligencję nadal zapewniają tylko częściową reprezentację atmosfery, daleką od tej tworzonej przez modele fizyczne i charakteryzującą się dobrze zdiagnozowanymi ograniczeniami wykazano, że możliwe jest przewidzenie niektórych parametrów meteorologicznych z jakością porównywalną do tej, jakiej dostarczają modele fizyczne (Rysunek 5). Te nowe modele są również w stanie przewidywać zdarzenia o charakterze ekstremalnym, takie jak burze [7] lub cyklony tropikalne z nawet kilkudniowym wyprzedzeniem.

Niezaprzeczalną zaletą modeli wykorzystaujących sztuczną inteligencję jest ich wydajność pod względem kosztów obliczeniowych, gdy są wykorzystywane do wnioskowania. Prognozy mogą być tworzone z kilkudniowym wyprzedzeniem w ciągu kilku sekund lub minut, znacznie szybciej niż fizyczne modele prognostyczne, w których generowanie wyników zajmuje dziesiątki minut lub więcej. Te pierwsze modele sztucznej inteligencji otwierają zatem nową dziedzinę badań rozwojowych – z długą listą pytań naukowych i technicznych, natomiast z szerokimi możliwościami prognozowania operacyjnego.

Rysunek 5. Prognoza ciśnienia na poziomie morza i wiatru na poziomie 850 hPa, obliczona przez model fizyczny IFS z ECMWF (po prawej) i modelu bazujący na sztucznej inteligencji PanguWeath (po lewej) dla domeny Europa-Atlantyk. (Źródło: ECMWF)

Aby modele sztucznej inteligencji mogły stać się nowymi narzędziami do operacyjnego prognozowania pogody, a bardziej ogólnie do wszystkich zastosowań wymagających danych meteorologicznych, wciąż istnieje wiele przeszkód do pokonania. Pierwszym wyzwaniem jest opracowanie modeli dostosowanych do potrzeb użytkowników, przeszkolonych w zakresie danych o bardzo wysokiej rozdzielczości przestrzennej i zdolnych do przewidywania interesujących zmiennych meteorologicznych i związanych z nimi niepewności. Wiąże się to z kwestią dostępności tych zbiorów danych oraz możliwości wykorzystania znacznych zasobów obliczeniowych do szkolenia, które może zgodnie z przewidywaniami trwać nawet kilka tygodni. Drugim wyzwaniem jest opracowanie metod i diagnostyki interpretowalności i wyjaśnienia działania tych modeli. Podobnie jak w przypadku modeli fizycznych, uzasadnione jest ustalenie, czy sztuczna inteligencja stworzyła dobrą prognozę z właściwych powodów lub w przypadku błędnych prognoz, zidentyfikowanie, które elementy sieci neuronowych ponoszą winę za błędy. Podstawową perspektywą i jednocześnie wyzwaniem dla naukowców na najbliższe lata jest rozwój sieci neuronowych opartych na fizyce, aby zmusić modele do tworzenia fizycznie spójnych i komplemantarnych rozwiązań.

Sztuczna inteligencja w pracy synoptyka.

Wyniki Prognozy pogody, niezależnie od tego, czy są opracowywane przez model fizyczny, czy model sztucznej inteligencji, stanowią jedynie narzędzia. Tworzenie biuletynów meteorologicznych, opracowywanie ostrzeżeń lub pomocy dla różnych sektorów działalności człowieka ymagaja ludzkiej wiedzy specjalistycznej do . Produkcja operacyjna ma tendencję do ewoluowania w kierunku zwiększania częstotliwości aktualizacji prognoz i ilości informacji udostępnianych użytkownikom. W rezultacie ilość danych podlegających ocenie stale rośnie, często w bardzo krótkich interwałach czasowych. Sztuczna inteligencja oferuje nowe możliwości wykorzystania wiedzy ludzkiej w zakresie prognozowania operacyjnego. Jej możliwości w zakresie rozpoznawania wzorców i automatycznej klasyfikacji można wykorzystać do wyodrębnienia i podsumowania istotnych informacji z dużych ilości danych prognozowanych lub obserwacyjnych.

Rys. 6. Burza z „Bow echo” wykryta nad północno-wschodnią Francją przez algorytm sztucznej inteligencji [10].

Przez dziesięciolecia wiedza ludzka opierała się na rozpoznawaniu struktur meteorologicznych i schematów koncepcyjnych. Na przykład w danych wyjściowych modelu obejmuje to identyfikację obecności, lokalizacji i charakterystyki zdarzeń ekstremalnych, takich jak np. cyklony tropikalne i struktury burzowe. Przez długi czas ta żmudna praca była wykonywana „ręcznie” przez synoptyków, a w ostatnich dziesięcioleciach w wykorzystaniem fizycznych modeli pogody. W wielu obszarach sztuczna inteligencja wykazała bardzo dobrą skuteczność w wykrywaniu obiektów, przodując na przykład w rozpoznawaniu ludzi i zwierząt na zdjęciach. Okazuje się, że przejście od analizy obrazów na wykrywanie obiektów meteorologicznych jest stosunkowo proste. Wykorzystując mapy opadów, wiatru, temperatury lub ciśnienia jako danych wejściowych, sieć neuronowa może zostać wyszkolona do rozpoznawania interesujących nas struktur i wzorców. Na rysunku 6 przedstawiono wynik wyszkolenia sztucznej inteligencji w celu wykrycia szczególnie gwałtownego zjawiska znanego jako „Bow echo”, czyli chrakterystyczneo układu konwekcyjnego stanowiązego zagrożenie z racji potencjału wystąpienia zniszczeń w terenie. Synteza wykrytych zjawisk z wielu prognozach może dostarczyć użytecznych produktów i wskaźników do ilościowego określenia ryzyka wystąpienia takiego zdarzenia, a bardziej ogólnie do podejmowania decyzji w zakresie wydawania ostrzeżeń [8] .

Innym zastosowaniem sztucznej inteligencji jest synteza informacji z kilkudziesięciu prognoz. Uzyskanie ograniczonej liczby reprezentatywnych scenariuszy pogodowych, takich jak scenariusz większościowy (najbardziej prawdopodobny z analizy różnych prognoz) i kilka scenariuszy alternatywnych (mniej prawdopodobnych, ale nie do wykluczenia, ze względu na niepewność prognozy lub ryzyko związane z tymi scenariuszami) ułatwia pracę operacyjną. Do rozwiązania tego problemu szczególnie nadają się automatyczne metody klasyfikacji, które mają na celu grupowanie podobnych informacji w ramach tej samej klasy. Podejście można zastosować np. do identyfikacji głównych scenariuszy opadów prezentowaynych w zestawie kilkudziesięciu prognoz modelowych.

Kolejnym przykładem jest metoda klasyfikacji chmur, która tradycyjnie wykonywana jest w sposób wizualny przez doświadczonych obserwatorów. Z perspektywy późniejszej analizy klimatologicznej może być jednek obarczona nadmiernym subiektywizmem i finalnie wprowadzać błędy i niespójności w wynikach. Specjalna architektura sztucznych sieci neuronowych, o zróżnicowanej złożoności w kontekście uczenia głębokiego z nadzorem, może być z powodzeniem zastosowana do jednorodnej klasyfikacji obrazów przedstawiających rodzaje chmur z obserwacji naziemnych wykonanych metodą fotograficzną [9].

Obecnie w Centrum Modelowania Meteorologicznego IMGW-PIB prowadzone są badania nad weryfikacją możliwości efektywnego wykorzystania modeli pogodowych bazujących na algorytmach sztucznej inteligencji dla zróżnicywanych wysokości terenowych na obszarze Polski. Na rysunku 7 pokazane są wykresy uśrednionych wartości pierwiastka średniego błędu kwadratowego (RMSE) dla grup stacji na różnych wysokościach. Weryfikacja przeprowadzona została dla trzech modeli pogody AI: GraphCast, Pangu-Weather i FourCastNet, a na rysunku 8 dodatkowo porównano je z wynikami modelu fizycznego IFS.

Rys. 7. RMSE dla trzech modeli AI z podziałem na grupy stacji w zależności od wysokości. Analiza dla okresu od kwietnia do września 2024 roku.

Rys. 8. RMSE dla trzech modeli AI i modelu fizycznego IFS z podziałem na grupy stacji w zależności od wysokości. Analizadla wyników globalnego modelowania w dn. 3 września 2024 roku.

Na podstawie wyników wykonanych badań wyraźnie widać, że modele AI podobnie, jak modele fizyczne dają wyraźnie gorsze wyniki w obszarach górskich. Jednak różnica w jakości prognozy modeli AI wobec modeli tradycyjnych, wyłączając PanguWeather, nie jest znacząca. Należy zaznaczyć , że na rysunku 7przedstawione zostały wyniki z modeli globalnych z kilku miesięcy, co może znacząco zawyżać błędy statystyczne z racji zróżniwowania wyników predykcji regionalnych oraz przez występowanie ekstremalnych zjawisk meteorologicznych.

Sztuczna inteligencja i prezentacja prognoz pogody.

Chociaż sztuczna inteligencja jest narzędziem, które można zintegrować w całym łańcuchu prognozowania – od modelowania po zastosowanie wiedzy specjalistycznej, zarówno ludzkiej, jak i zautomatyzowanej, a ponadto może ona również zmienić sposób, w jaki prognozy są przekazywane lub dostępne udostępniane użytkownikom. Sztuczna inteligencja, w mniej lub bardziej wyrafinowanych formach, jest już wykorzystywana w niektórych automatycznych produkcjach, które zasilają na przykład aplikacje mobilne. Nowe narzędzia konwersacyjne AI oferują również nowy sposób dostępu do informacji o pogodzie, umożliwiając uzyskiwanie informacji na skonkretyzowane zapytanie użytkownika. Wobec tego czy sztuczna inteligencja może zastąpić prezenterów pogody? Odpowiedź jest twierdząca, niedawno szwajcarzy, opracowali awatara wygenerowanego przez sztuczną inteligencję, który prezentuje w Internecie prognozę pogody (rys. 9).

Rys. 9. Jeudi, awatar wygenerowany przez sztuczną inteligencję (https://www.youtube.com/watch?v=bHniCgwhrWY)

Innym przykładem może być eksperyment wykonany przez Centrum Modelowania Meteorologicznego IMGW-PIB i firmę Vencode, w którym wykorzystano chatbota z modelem GPT opracowany przez OpenAI zasilanego prognozą numeryczną do prezentowania i wizualizowania prognoz pogody. Technologie te są wciąż we wstępnej fazie rozwoju, ale mogą być początkiem nowego standardu komunikacji i interakcji z użytkownikami.

Podsumowanie: Sztuczna inteligencja – w jakim kierunku zmierzamy?

Metody sztucznej inteligencji są wykorzystywane w różnych sektorach działalności ludzkiej, a prognozowanie pogody nie jest tu wyjątkiem. Dostępność dużych zbiorów danych i wzrost zasobów obliczeniowych umożliwiły opracowanie wydajnych algorytmów sztucznej inteligencji, które można zastosować na wielu etapach operacyjnego łańcucha prognozowania pogody. Podczas gdy większość z tych rozwiązań wciąż znajduje się na etapie badań, ich operacyjne wdrożeniewydaje się obecnie możliwe w perspektywie krótko- i średnioterminowych prognoz pogody.

Modelowanie w skali sezonowej i klimatycznej z wykorzystaniem AI zaczyna być już konkurencyjne wobec rozwiązań klasycznych. Wynika to z faktu, że prognozy sezonowe od zawsze degradowane były przez błędy systematyczne modeli. Połączenie AI z klasycznymi modelami klimatu pozwoli na znaczne zredukowanie tego typu błędów .

Sztuczna inteligencja może działać jako użyteczny interfejs między superkomputerami, a prognostykami pogody (synoptykami) w rozpoznawaniu i interpretowaniu niekorzystnych zjawisk pogodowych, takich jak tornada, huragany i burze oraz podnoszeniu dokładności prognozowanych parametrów.

W najbliższej przyszłości sztuczna inteligencja będzie miała również znaczący wpływ na szybkość i dokładność prognoz pogody. Pozwoli bowiem na skuteczniejszytrening modele AI na podstawie bardzo dokładnych symulacji, które pozwolą z kolei dostosować nasze przewidywania i różnocować je w czasie rzeczywistym, wraz z kolejnym wprowdzeniem nowych danych.

Najbardziej nieoczekiwanym i potencjalnie najbardziej wpływowym elementem jest pojawienie się modeli prognozowania pogody opartych w całości na sztucznej inteligencji. Podczas gdy stopniowy rozwój numerycznych prognoz pogody od lat pięćdziesiątych XX wieku jest często opisywany jako „cicha rewolucja”, wydaje się, że w przypadku sztucznej inteligencji rewolucja przebiega i będzie przebiegała znacznie szybciej. Otwiera ona również nowy obszar badań dla służb meteorologicznych, stawiając przed nimi nowe wyzwania naukowe i techniczne.

Postępy w dziedzinie sztucznej inteligencji nie powinny jednak dyskwalifikować czy utrudniać rozwoju i doskonalenia modeli prognostycznych opartych na fizyce, ponieważ nadal mają one kluczowe znaczenie i znajdują zastosowanie w działalności operacyjnej służ meteorologicznych na całym świecie. Na obecnym etapie wiedzy i możliwości celem nie jest zastąpienie jednego typu modelu drugim, co jak pokazują wyniki nie byłoby rozwiązaniem optymalnym, ale raczej wykorzystanie komplementarnego charakteru tych dwóch podejść do nowoczesnego modelowania pogody. Zwłaszcza, że mając na względzie zmianę klimatu i pojawianie się w zestawach danych wartości o znacznym rozrzucie względem wartości historycznych, implementacja rozwiązań statystycznych kosztem redukcji wnioskowania z uwzględnieniem założeń fizyki atmosfery mogłaby prowadzić do niewystarczających jakościowo interpretacji.

Opracowanie na podstawie:

Raynaud Laure, 2024: Artificial intelligence for weather forecasting, Encyclopedia of the Environment, Accessed October 15, 2024 wraz z prezentacją wyników prac prowadzonych w CMM IMGW-PIB.

Literatura:

[1] Le Cun, Y., L. Bottou, Y. Bengio, and P. Haffner, 1998: Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86, 2278–2324.

[2] Taillardat, M., A. Fougères, P. Naveau, and O. Mestre, 2019: Forest-Based and Semiparametric Methods for the Postprocessing of Rainfall Ensemble Forecasting. Wea. Forecasting, 34, 617–634, https://doi.org/10.1175/WAF-D-18-0149.1.

[3] Balogh B., 2022. Vers une utilisation de l’Intelligence Artificielle dans un modèle numérique de climat. Thèse de doctorat en Océan, atmosphère, climat. Toulouse INPT.

[4] Doury, A., Somot, S., Gadat, S. et al. Regional climate model emulator based on deep learning: concept and first evaluation of a novel hybrid downscaling approach. Clim Dyn 60, 1751–1779 (2023). https://doi.org/10.1007/s00382-022-06343-9

[5] Brochet, C., L. Raynaud, N. Thome, M. Plu, and C. Rambour, 2023: Multivariate Emulation of Kilometer-Scale Numerical Weather Predictions with Generative Adversarial Networks: A Proof of Concept. Artif. Intell. Earth Syst., 2, 230006, https://doi.org/10.1175/AIES-D-23-0006.1.

[6] Lguensat, Redouane. Les nouveaux modèles de prévision météorologique basés sur l’intelligence artificielle : opportunité ou menace ?.. La Météorologie, 121, 11-15, 2023. 10.37053/lamétéologue-2023-0030

[7] Pardé, M., L. Raynaud, and A. Mounier, 2024: The medium-term forecast of storm Ciaràn by artificial intelligence. Meteorology.

[8] Mounier, A., L. Raynaud, L. Rottner, M. Plu, P. Arbogast, M. Kreitz, L. Mignan, and B. Touzé, 2022: Detection of Bow Echoes in Kilometer-Scale Forecasts Using a Convolutional Neural Network. Artif. Intell. Earth Syst., 1, e210010, https://doi.org/10.1175/AIES-D-21-0010.1.

[9] Kopeć S., Duniec G., Bochenek B., Figurski M., 2024, Artificial neural networks in automatic image classifications of cloud from ground-based observations using deep learning models, Quarterly Journal of the Royal Meteorological Society, https://doi.org/10.1002/qj.4865, (200 pkt. MNiSW, IF: 3.0).

[10] Raynaud Laure, 2024: Artificial intelligence for weather forecasting, Encyclopedia of the Environment, Accessed October 15, 2024

— UDOSTĘPNIJ —