AI Weather Model
Jak działa
1) Trening: model uczy się na dekadach reanalizy ERA5 (ok. 40 lat godzinowych danych globalnych), mapując stan atmosfery w chwili t na stan w chwili t+Δt (zwykle Δt = 6 h). 2) Reprezentacja: enkoder przenosi pola z siatki lat/lon do wewnętrznej reprezentacji — GraphCast używa wielosiatki grafowej (GNN), Pangu-Weather transformera 3D, a FourCastNet adaptacyjnego operatora Fouriera (AFNO). 3) Predykcja przyrostu: rdzeń neuronowy przewiduje zmianę stanu, a dekoder odwzorowuje ją z powrotem na siatkę. 4) Autoregresyjny rollout: wyjście modelu jest podawane z powrotem na wejście, budując prognozę na wiele kroków (do 10-15 dni). 5) Ensemble: modele generatywne, takie jak GenCast, zamiast pojedynczej prognozy próbkują wiele scenariuszy z rozkładu warunkowego za pomocą procesu dyfuzyjnego, tworząc prognozę probabilistyczną.
Rozwiązany problem
Tradycyjne modele numerycznej prognozy pogody (NWP) są bardzo dokładne, ale wymagają godzin obliczeń na superkomputerach i są kosztowne przy generowaniu dużych ensembli. Modele AI rozwiązują problem kosztu i czasu inferencji: uczą się dynamiki atmosfery z danych historycznych i produkują prognozę o porównywalnej lub wyższej dokładności rzędy wielkości szybciej i taniej, umożliwiając tanie prognozy ensemble i szybkie reagowanie na zjawiska ekstremalne.
Komponenty
Mapuje globalny stan atmosfery z siatki lat/lon na wewnętrzną reprezentację modelu (wielosiatka grafowa, tokeny transformera lub tryby Fouriera).
Oficjalna
Propaguje stan atmosfery w przestrzeni i czasie. GraphCast używa sieci grafowej na wielosiatce, Pangu-Weather transformera 3D (3DEST), a FourCastNet adaptacyjnego operatora Fouriera (AFNO).
Oficjalna
Odwzorowuje wewnętrzną reprezentację z powrotem na siatkę lat/lon i przewiduje przyrost stanu (residual) dla następnego kroku czasowego.
Oficjalna
Iteracyjnie podaje wyjście modelu z powrotem na wejście, budując prognozę na wiele kroków (np. co 6 h aż do 10-15 dni).
W modelach generatywnych (GenCast) próbkuje wiele scenariuszy z rozkładu warunkowego za pomocą procesu dyfuzyjnego, tworząc ensemble probabilistyczny.
Oficjalna
Implementacja
Iteracyjne podawanie własnych predykcji z powrotem na wejście prowadzi do narastania błędu i wygładzania pól przy dłuższych horyzontach prognozy.
Modele optymalizujące błąd średniokwadratowy (GraphCast, Pangu) dają rozmyte, uśrednione prognozy, niedoszacowując zjawisk ekstremalnych.
Modele uczą się i są inicjalizowane na reanalizie ERA5; brak natywnej asymilacji surowych obserwacji ogranicza czysto operacyjne zastosowanie.
Ewolucja
Pierwszy globalny model data-driven o rozdzielczości NWP (0,25 stopnia), oparty na adaptacyjnym operatorze Fouriera (AFNO); pokazał, że sieci neuronowe mogą prognozować pogodę na skalę globalną rzędy wielkości szybciej niż NWP.
Model oparty na sieci grafowej (GNN), prognozujący do 10 dni w mniej niż minutę na TPU v4; dokładniejszy od operacyjnego HRES z ECMWF na 90% z 1380 testowanych zmiennych. Opublikowany w Science.
Model oparty na transformerze 3D (3DEST) trenowany na 43 latach ERA5; przedstawiony jako pierwsza metoda AI przewyższająca tradycyjne NWP w zakresie od godziny do tygodnia. Opublikowany w Nature.
Probabilistyczny model dyfuzyjny generujący ensemble 50+ prognoz do 15 dni; dokładniejszy od ensemble ENS z ECMWF na 97,2% celów. Przeniósł paradygmat z prognozy deterministycznej na generatywną/probabilistyczną. Opublikowany w Nature.
Microsoft publikuje Aurora, model fundamentowy systemu Ziemi (Nature 2025); ECMWF udostępnia operacyjnie system AIFS oparty na uczeniu maszynowym; Google integruje linię WeatherNext w Search, Maps i Gemini oraz udostępnia ją przez BigQuery, Earth Engine i Google Maps Platform.
Hiperparametry (konfigurowalne osie)
Rozmiar oczka siatki globalnej.
Maksymalny horyzont prognozy.
Odstęp czasu między kolejnymi krokami autoregresji.
Liczba próbkowanych scenariuszy w modelach probabilistycznych.
Zmienne atmosferyczne i powierzchniowe na wielu poziomach ciśnienia.
Paradygmat wykonania
Deterministyczne modele (GraphCast, Pangu) to gęsty przebieg naprzód; modele generatywne (GenCast) dodają warunkowe próbkowanie dyfuzyjne dla ensembli.
Równoległość
Obliczenia przestrzenne w pojedynczym kroku są w pełni równoległe na GPU/TPU, ale rollout autoregresyjny jest sekwencyjny w czasie — każdy krok zależy od wyjścia poprzedniego.
Wymagania sprzętowe
Trening i inferencja modeli pogodowych (FourCastNet, Aurora) opierają się na dużych GPU NVIDIA (A100/H100).
GraphCast i GenCast działają na Google TPU; GraphCast generuje 10-dniową prognozę w mniej niż minutę na TPU v4, GenCast prognozę 15-dniową w ok. 8 minut na TPU v5.