⇑ DeepMind

Publ 2023-11-26

Google DeepMind har utvecklat en modell som levererar 10-dagars väderprognoser med stor noggrannhet på under en minut

DeepMind har publicerat en artikel i Science som introducerar GraphCast, AI-modell som kan göra väderprognoser på medeldistans med hög noggrannhet.

GraphCast förutsäger väderförhållanden mer exakt och snabbare än industrins ledande vädersimuleringssystem - High Resolution Forecast (HRES), producerad av European Centre for Medium-Range Weather Forecasts (ECMWF).

GraphCast kan också ge tidigare varningar om extrema väderhändelser. Den kan förutsäga cykloners rörelser, identifierar atmosfäriska floder förknippade med översvämningsrisk och förutsäger uppkomsten av extrema temperaturer.

Modellens kod för GraphCast är tillgänglig för forskare och prognosmakare runt om i världen. GraphCast används redan av väderbyråer, inklusive ECMWF, som kör ett liveexperiment med modellen på sin webbplats.

⇑ SMHI: Klimatprognoser med AI

Publ 2023-11-26

SMHI har ett forskningsprojekt Artificial Intelligence for enhanced representation of processes and extremes in Earth System Models (AI4PEX) som ska ge ökad kunskap om jordsystemet genom att integrera observationer av jorden, artificiell intelligens och maskininlärning i modellering och analys av jordsystemet.

Jordsystemmodeller (Earth System Models, ESM) är viktiga verktyg för att prognostisera klimatförändringar och ger viktig information till beslutsfattare. Förtroendet för de förutsagda klimatförändringarna undergrävs dock av ett antal osäkerhetsfaktorer;

• modellerna är oense om hur mycket jorden kommer att värmas upp vid en given ökning av koldioxidhalten i atmosfären;
• modellerna är oense om hur mycket utsläppt CO2 som stannar kvar i atmosfären för att värma upp planeten och
• modellerna är oense om hur mycket överskottsvärme i jordsystemet som kommer in i havets inre, vilket då fördröjer uppvärmningen av ytan.

Centralt för dessa osäkerheter är dålig förståelse och bristfälliga modeller av återkopplingsmekanismer till jordsystemet, särskilt gällande moln, kolcykeln och havens värmeupptagning. Dålig representation av dessa fenomen försämrar noggrannheten i projektioner, vilket får konsekvenser för att förutse framtida klimatextremer och samhällseffekter.

Det här forskningsprojektet syftar därför till att förbättra representationen av dessa återkopplingar i modellerna, vilket minskar osäkerheten i prognoserna för den globala uppvärmningen. Projektet föreslår ett tvärvetenskapligt tillvägagångssätt, fokuserat på att "lära sig" hur man korrekt beskriver processer som ligger till grund för dessa återkopplingar, genom en sammanslagning av observationer med avancerad maskininlärning (ML) och artificiell intelligens (AI).

⇑ Källor

Publ 2023-11-27

• Kommer AI att ta över klimatprognoserna?, Ingemar Nordin Klimatupplysningen (2023-11-26)
• Google DeepMind's weather AI can forecast extreme weather faster and more accurately, MIT Technology Review (2023-11-14)
• GraphCast: AI model for faster and more accurate global weather forecasting, DeepMind
• ECMWF
• How AI models are transforming weather forecasting: a showcase of data-driven systems, ECMWF (2023-09-06)
• Learning skillful medium-range global weather forecasting, Science (2023-11-24)
• AI4PEX, SMHI (2023-11-23)
• Forecasting the weather: Supercomputer or AI? Net Zero Watch (2023-11-23)
• AI in Weather Forecasting, Prediction and Communication, IBM (2023-07-24)
• How AI can help predict climate extremes, IBM (2021-07-23)
• Google DeepMind's AI Weather Forecaster Handily Beats a Global Standard, Wired (2023-11-14)
• Machine learning for numerical weather and climate modelling: a review, European Geoscience Union (2023-11-14)