Graphcast: modèle d’IA pour les prévisions météorologiques mondiales plus rapides et plus précises

Notre modèle de pointe fournit des prévisions météorologiques de 10 jours à une précision sans précédent en moins d’une minute

Le temps nous affecte tous, d’une manière grande et petite. Il peut dicter la façon dont nous nous habillons le matin, nous fournissons de l’énergie verte et, dans les pires cas, créons des tempêtes qui peuvent dévaster les communautés. Dans un monde de temps de plus en plus extrême, des prévisions rapides et précises n’ont jamais été aussi importantes.

Dans un journal Publié dans Sciencenous introduisons Graphcast, un modèle d’IA de pointe capable de faire des prévisions météorologiques à moyenne portée avec une précision sans précédent. Graphcast prédit les conditions météorologiques jusqu’à 10 jours à l’avance plus précisément et beaucoup plus rapidement que le système de simulation météorologique étalée par l’or – les prévisions à haute résolution (HRES), produites par le Centre européen pour les prévisions météorologiques moyennes (ECMWF).

Graphcast peut également offrir des avertissements antérieurs d’événements météorologiques extrêmes. Il peut prédire les pistes des cyclones avec une grande précision plus loin dans le futur, identifie les rivières atmosphériques associées au risque d’inondation et prédit l’apparition de températures extrêmes. Cette capacité a le potentiel de sauver des vies grâce à une plus grande préparation.

Graphcast fait un pas en avant significatif dans l’IA pour la prédiction météorologique, offrant des prévisions plus précises et efficaces et des voies d’ouverture pour soutenir la prise de décision critique aux besoins de nos industries et sociétés. Et, par Ouvrez l’approvisionnement du code du modèle pour le graphcast, Nous permettons aux scientifiques et aux prévisionnistes du monde entier de bénéficier à des milliards de personnes dans leur vie quotidienne. Graphcast est déjà utilisé par les agences météorologiques, y compris l’ECMWF, qui gère une expérience en direct de Les prévisions de notre modèle sur son site Web.

Le défi des prévisions météorologiques mondiales

La prédiction météorologique est l’une des efforts les plus anciens et les plus difficiles. Les prédictions à moyenne portée sont importantes pour soutenir la prise de décision clé entre les secteurs, des énergies renouvelables à la logistique des événements, mais sont difficiles à faire avec précision et efficacement.

Les prévisions reposent généralement sur la prédiction météorologique numérique (NWP), qui commence par des équations physiques soigneusement définies, qui sont ensuite traduites en algorithmes informatiques exécutés sur des superordinateurs. Bien que cette approche traditionnelle ait été un triomphe de la science et de l’ingénierie, la conception des équations et des algorithmes prend du temps et nécessite une expertise approfondie, ainsi que des ressources de calcul coûteuses pour faire des prédictions précises.

Deep Learning offre une approche différente: utiliser des données au lieu d’équations physiques pour créer un système de prévision météorologique. Graphcast est formé sur des décennies de données météorologiques historiques pour apprendre un modèle des relations de cause et d’effet qui régissent l’évolution du temps de la Terre, du présent à l’avenir.

Surtout, les approches graphiques et traditionnelles vont de pair: nous avons formé du graphcast sur quatre décennies de données de réanalyse météorologiques, de l’ensemble de données ERA5 de l’ECMWF. Ce trof est basé sur des observations météorologiques historiques telles que les images satellites, le radar et les stations météorologiques utilisant un PNF traditionnel pour «remplir les blancs» où les observations sont incomplètes, pour reconstruire un riche dossier de temps historique mondial.

Graphcast: un modèle d’IA pour la prédiction météorologique

Graphcast est un système de prévision météorologique basé sur l’apprentissage automatique et les réseaux de neurones graphiques (GNNS), qui sont une architecture particulièrement utile pour le traitement des données structurées spatialement.

Graphcast fait des prévisions à une résolution élevée de 0,25 degrés de longitude / latitude (28 km x 28 km à l’équateur). C’est plus d’un million de points de grille couvrant toute la surface de la Terre. À chaque point de grille, le modèle prédit cinq variables de surface terrestre – y compris la température, la vitesse et la direction du vent, et la pression moyenne au niveau de la mer – et six variables atmosphériques à chacun des 37 niveaux d’altitude, y compris l’humidité spécifique, la vitesse et la direction du vent et la température.

Alors que la formation de Graphcast était à forte intensité de calcul, le modèle de prévision qui en résulte est très efficace. Faire des prévisions de 10 jours avec le graphcast prend moins d’une minute sur une seule machine Google TPU V4. À titre de comparaison, une prévision de 10 jours utilisant une approche conventionnelle, telle que HRES, peut prendre des heures de calcul dans un supercalculateur avec des centaines de machines.

Dans une évaluation complète des performances par rapport au système déterministe standard, HRES, Graphcast a fourni des prévisions plus précises sur plus de 90% des 1380 variables d’essai et des délais prévus (voir notre Document scientifique pour plus de détails). Lorsque nous avons limité l’évaluation à la troposphère, la région de 6-20 kilomètres de haut de l’atmosphère la plus proche de la surface de la Terre où une prévision précise est la plus importante, notre modèle a surpassé les HRES sur 99,7% des variables d’essai pour les conditions météorologiques futures.

De meilleurs avertissements pour les événements météorologiques extrêmes

Nos analyses ont révélé que le graphcast peut également identifier des événements météorologiques violents plus tôt que les modèles de prévision traditionnels, bien qu’il n’ait pas été formé pour les rechercher. Ceci est un excellent exemple de la façon dont le graphcast pourrait aider à la préparation à sauver des vies et à réduire l’impact des tempêtes et des conditions météorologiques extrêmes sur les communautés.

En appliquant un simple tracker de cyclone directement sur les prévisions graphiques, nous pourrions prédire le mouvement du cyclone plus précisément que le modèle HRES. En septembre, une version en direct de notre modèle de graphcast accessible au public, déployée sur le site Web de l’ECMWF, a prédit avec précision environ neuf jours à l’avance que l’ouragan Lee irait en Nouvelle-Écosse. En revanche, les prévisions traditionnelles avaient une plus grande variabilité dans l’endroit où et quand l’atterrissage se produirait, et ne s’est enfermé que sur la Nouvelle-Écosse environ six jours à l’avance.

Le graphcast peut également caractériser les rivières atmosphériques – des régions étroites de l’atmosphère qui transfèrent la majeure partie de la vapeur d’eau en dehors des tropiques. L’intensité d’une rivière atmosphérique peut indiquer si elle apportera une pluie bénéfique ou un déluge induisant les inondations. Les prévisions graphiques peuvent aider à caractériser les rivières atmosphériques, ce qui pourrait aider à planifier des réponses d’urgence avec Modèles d’IA pour prévoir les inondations.

Enfin, prédire les températures extrêmes est d’une importance croissante dans notre monde de réchauffement. Le graphcast peut caractériser lorsque la chaleur est réglée pour s’élever au-dessus des températures supérieures historiques pour un emplacement donné sur Terre. Cela est particulièrement utile pour anticiper les vagues de chaleur, les événements perturbateurs et dangereux qui deviennent de plus en plus courants.

L’avenir de l’IA pour la météo

Graphcast est désormais le système de prévision météorologique mondial le plus précis au monde et peut prédire des événements météorologiques extrêmes plus loin dans le futur que ce qui était auparavant possible. Au fur et à mesure que les modèles météorologiques évoluent dans un climat changeant, le graphcast évoluera et s’améliorera à mesure que des données de meilleure qualité deviendront disponibles.

Pour rendre les prévisions météorologiques alimentées par l’IA plus accessibles, nous avons Open Sourced notre code de notre modèle. ECMWF est déjà Expérimenter avec les prévisions de 10 jours de Graphcast Et nous sommes ravis de voir les possibilités qu’il débloque pour les chercheurs – de l’adaptation du modèle pour des phénomènes météorologiques particuliers pour l’optimiser pour différentes parties du monde.

Graphcast rejoint d’autres systèmes de prédiction météorologique de pointe de Google Deepmind et Google Research, y compris un Modèle Cela produit des prévisions jusqu’à 90 minutes à l’avance, et Metnet-3un modèle régional de prévision météorologique déjà en fonctionnement aux États-Unis et en Europe qui produit des prévisions plus précises de 24 heures que tout autre système.

Le pionnier de l’utilisation de l’IA dans les prévisions météorologiques bénéficiera aux milliards de personnes dans leur vie quotidienne. Mais nos recherches plus larges ne consistent pas seulement à anticiper la météo – il s’agit de comprendre les modèles plus larges de notre climat. En développant de nouveaux outils et en accélérant la recherche, nous espérons que l’IA pourra permettre à la communauté mondiale de relever nos plus grands défis environnementaux.