Kunstig intelligens modeller blir i økende grad brukt til værvarsling, og tilbyr nøyaktige prognoser og reduserte beregningskostnader sammenlignet med tradisjonelle numeriske værvarslingsmodeller (NWP). Likevel har de eksisterende modellene ofte begrensninger som grov temporær oppløsning (vanligvis 6 timer) og et smalt utvalg av meteorologiske variabler, noe som kan begrense deres praktiske anvendelse. Nøyaktig værvarsling er avgjørende for sektorer som fornybar energi, luftfart og skipsfart. Til tross for fremskrittene sliter ML-modeller fortsatt med forutsigbarhet og temporær oppløsning.
Forskere ved Fudan University og Shanghai Academy of Artificial Intelligence har nå introdusert FuXi-2.0, en avansert ML-modell for global værvarsling som gir time-for-time prognoser og dekker et bredt spekter av meteorologiske variabler. FuXi-2.0 overgår European Centre for Medium-Range Weather Forecasts (ECMWF) high-resolution forecasts (HRES) på viktige områder som vindkraftprognoser og intensitet av tropiske sykloner. Modellen integrerer atmosfæriske og oseaniske komponenter, og tilbyr dermed forbedret nøyaktighet sammenlignet med sin forgjenger, FuXi-1.0, og andre modeller som Pangu-Weather.
Datasett og Modellopplæring
Studien benytter ERA5 reanalyse-datasett fra ECMWF, som tilbyr timebaserte meteorologiske data med en romlig oppløsning på omtrent 31 km siden januar 1950. For denne forskningen ble det brukt to delsett av ERA5-data: ett som spenner over 2012-2017 for opplæring av en 6-timers prognosemodell, og et annet fra 2015-2017 for en 1-timers prognosemodell. FuXi-2.0 prognoser 88 meteorologiske variabler, inkludert både høyere luft- og overflatevariabler, med ekstra statiske og temporære koderinger av geografisk informasjon.
Dobbeltmodellsystem for bedre nøyaktighet
FuXi-2.0 introduserer et dobbeltmodellsystem for å levere kontinuerlige timebaserte prognoser, med integrasjon av en primær modell for 6-timers prognoser og en sekundær modell for timebasert interpolasjon. Denne arkitekturen forbedrer påliteligheten og effektiviteten i forhold til tidligere modeller. 6-timers modellen behandler data gjennom konvolusjonslag og Swin Transformer-blokker, mens 1-timers modellen genererer timebaserte prognoser innenfor et 6-timers vindu.
Opptreningen brukte den robuste Charbonnier tapfunksjonen og involverte omfattende iterasjon ved bruk av GPU-cluster. Vindkraftprognoser ble gjennomført ved bruk av en MLP-modell med fokus på døgnforutsigelser. Evaluasjonsmetrikker inkluderte RMSE, ACC, og prognose/observasjonsaktivitet, med normaliserte forskjeller som ble brukt for å sammenligne modellens ytelse.
Evaluering av prognoser
Studien evaluerer FuXi-2.0s timebaserte prognoser ved bruk av data fra 2018, sammenlignet med ECMWF HRES og Pangu-Weather. FuXi-2.0 viser overlegen nøyaktighet i variabler viktige for værvarsling, som temperatur og vindhastighet, og overgår ECMWF HRES i rotmiddelfeil (RMSE) og anomalikorrelasjonskoeffisient (ACC) på tvers av de fleste prognosetidspunkter. Dens prognoser er mer detaljerte enn de til Pangu-Weather, og den har bedre aktivitetsmålinger.
I tillegg er FuXi-2.0s vindkraftprognoser for vindparker og intensitetsprognoser for tropiske sykloner mer nøyaktige enn de fra ECMWF HRES, hvilket viser dens forbedrede prognosekapasiteter.