Incontra FourCastNet Un modello globale di previsione del tempo basato sui dati che sta rivoluzionando le previsioni meteorologiche con un approccio rapido e accurato di apprendimento profondo.

FourCastNet il rivoluzionario modello globale di previsione del tempo basato sui dati che sta trasformando le previsioni meteorologiche attraverso un approccio rapido e preciso di apprendimento profondo.

Negli anni ’20 è emersa la previsione numerica del tempo (NWP). Sono pervasivi e aiutano nella pianificazione economica in settori importanti, come il trasporto, la logistica, l’agricoltura e la produzione di energia. Numerose vite sono state salvate da previsioni meteorologiche accurate che avvertivano in anticipo di catastrofi gravi. Negli ultimi decenni, le previsioni del tempo sono migliorate in qualità. Lewis Fry Richardson ha utilizzato una regola calcolatrice e una tabella dei logaritmi per calcolare la prima previsione numerica modellata dinamicamente del tempo per un singolo luogo nel 1922. Gli ci sono volute sei settimane per produrre una previsione di 6 ore dell’atmosfera. I computer elettronici precoci hanno aumentato significativamente la velocità delle previsioni entro gli anni ’50, consentendo di calcolare previsioni operative abbastanza velocemente da essere utili per previsioni future.

Oltre a una maggiore potenza di calcolo, miglioramenti nella previsione del tempo sono stati resi possibili da una migliore parametrizzazione dei fenomeni su piccola scala grazie a una conoscenza più approfondita della loro fisica e migliori osservazioni atmosferiche. Mediante l’assimilazione dei dati, quest’ultima ha portato a una migliore inizializzazione del modello. Poiché hanno costi di elaborazione dell’ordine di grandezza inferiori rispetto ai modelli di NWP all’avanguardia, i modelli di Deep Learning (DL) basati sui dati stanno diventando sempre più popolari per le previsioni del tempo. La costruzione di modelli basati sui dati per la previsione della circolazione su ampia scala dell’atmosfera è stata oggetto di parecchie ricerche. Questi modelli sono stati allenati utilizzando risultati dei modelli climatici, modelli di circolazione generale (GCM), prodotti di rianalisi o una combinazione di risultati dei modelli climatici e prodotti di rianalisi.

Eliminando i pregiudizi dei modelli di NWP e consentendo la creazione di grandi insiemi per previsioni probabilistiche e assimilazione dei dati a basso costo di elaborazione, i modelli basati sui dati offrono un potenziale significativo per migliorare le previsioni del tempo. Allenandosi sui dati di rianalisi o sulle osservazioni, i modelli basati sui dati possono superare i vincoli dei modelli di NWP, compresi i pregiudizi negli schemi di parametrizzazione delle correnti che influiscono significativamente sulle previsioni delle precipitazioni. Una volta allenati, i modelli basati sui dati generano previsioni tramite inferenza con un ordine di grandezza superiore rispetto ai modelli di NWP tipici, consentendo la creazione di grandi insiemi. In questo contesto, i ricercatori hanno dimostrato che grandi insiemi basati sui dati superano i modelli operativi di NWP che possono includere solo un numero limitato di membri dell’insieme nelle previsioni a sub-stagionale e stagionale (S2S).

• Elenco dei progressi dell’Intelligenza Artificiale AI effettuati dai ricercatori no-profit
• Non candidarti al settore tecnologico senza padroneggiare queste 6 competenze imprescindibili nel campo della scienza dei dati – La guida completa di un Data Scientist di Spotify (edizione Halloween)
• Python Callables Le Basi e i Segreti

Inoltre, un insieme considerevole supporta previsioni a breve e lungo termine con previsioni basate sui dati di fenomeni meteorologici estremi. Tuttavia, la maggior parte dei modelli meteo basati sui dati utilizza dati a bassa risoluzione per l’allenamento, spesso a una risoluzione di 5.625 o 2. La previsione di alcune delle ampie variabili atmosferiche a bassa risoluzione è stata di successo in passato. Tuttavia, il processo di riduzione causa la perdita di informazioni fisiche importanti su piccola scala. I modelli basati sui dati devono fornire previsioni con la stessa o migliore risoluzione dei modelli di previsione del tempo numerico più recenti eseguiti a una risoluzione di 0.1 per essere realmente efficaci. Ad esempio, le stime a una risoluzione spaziale di 5.625 forniscono una magra griglia di 32×64 pixel rappresentante il mondo.

Una previsione del genere non può distinguere caratteristiche più piccole di 500 km. Gli impatti significativi delle dinamiche a piccola scala sulle grandi scale e l’influenza di fattori topografici come catene montuose e laghi sulle dinamiche a piccola scala non sono considerati in tali proiezioni approssimative. Le previsioni a bassa risoluzione possono essere utilizzate solo in determinate situazioni come risultato. I modelli ad alta risoluzione possono affrontare questi aspetti. La loro strategia: ricercatori di NVIDIA Corporation, Lawrence Berkeley, Rice University, University of Michigan, California Institute of Technology e Purdue University creano FourCastNet, un modello di previsione delle reti neurali basato su Fourier, per produrre previsioni globali basate sui dati delle importanti variabili atmosferiche a una risoluzione di 0.25, o circa 30 km vicino all’equatore, e una dimensione di griglia globale di 720×1440 pixel. Questo ci consente di confrontare i nostri risultati direttamente per la prima volta con quelli ottenuti dal modello IFS ad alta risoluzione del ECMWF.

Figura 1 illustra una previsione della velocità del vento a livello mondiale a una distanza di 96 ore. Sottolineano le caratteristiche significative ad alta risoluzione risolte e monitorate in modo affidabile dalla loro previsione, come il Super Tifone Mangkhut e tre cicloni denominati (Florence, Issac e Helene) che si muovono verso la costa orientale degli Stati Uniti.

In conclusione, FourCastNet offre quattro nuovi miglioramenti alla previsione del tempo basata sui dati:

1. FourCastNet prevede con precisione variabili difficili come venti superficiali e precipitazioni con un periodo di previsione di fino a una settimana. La previsione del vento superficiale su scala globale non è ancora stata effettuata utilizzando modelli di deep learning (DL). Inoltre, i modelli globali di DL per le precipitazioni non sono ancora in grado di risolvere caratteristiche su piccola scala. Questo ha un impatto significativo sulla pianificazione delle risorse energetiche e sulla mitigazione delle catastrofi.

2. FourCastNet offre una risoluzione otto volte superiore rispetto ai modelli meteorologici globali basati su DL all’avanguardia. FourCastNet risolve eventi gravi come cicloni tropicali e fiumi atmosferici che richiedono una rappresentazione più accurata da parte dei modelli DL precedenti a causa delle loro griglie più grossolane, alta risoluzione e precisione.

3. A distanze di previsione di fino a tre giorni, le previsioni di FourCastNet sono equivalenti a quelle del modello IFS in termini di metriche come la Root Mean Squared Error (RMSE) e il coefficiente di correlazione delle anomalie (ACC). Poi, per distanze di previsione di fino a una settimana, le proiezioni di tutte le variabili modellate avanzano di molto rispetto a IFS. FourCastNet modella 20 variabili su cinque livelli verticali ed è guidato solo dai dati, a differenza del modello IFS, che è stato sviluppato nel corso di decenni e comprende più di 150 variabili su più di 50 livelli verticali nell’atmosfera, ed è governato dalla fisica. Questo contrasto dimostra l’immenso potenziale della modellazione basata sui dati per sostituire e integrare NWP in futuro.

4. Rispetto agli attuali ensemble di NWP, che hanno al massimo circa 50 membri a causa dell’alto costo computazionale, le previsioni affidabili, rapide e computazionalmente convenienti di FourCastNet consentono la generazione di ensemble molto grandi, consentendo di stimare incertezze ben calibrate e vincolate negli estremi con maggiore affidabilità. Ciò che è possibile nel campo della previsione meteorologica probabilistica viene drasticamente modificato dal rapido sviluppo di ensembles composti da 1.000 membri, migliorando l’accuratezza delle avvertenze precoci sugli eventi meteorologici estremi e rendendo possibile valutare rapidamente i loro effetti.