Σε πρόσφατο άρθρο μας είχαμε αν αναφερθεί για την επανάσταση που φέρνει στη Μετεωρολογία η τεχνητή νοημοσύνη η οποία έχει υιοθετηθεί από το μεγαλύτερο και εγκυρότερο κέντρο προβλέψεων το ECMWF . Είχαμε εξηγήσει ότι τα μοντέλα ΑΙ, δεν λύνουν εξισώσεις της φυσικής. Διδάσκονται από παραδείγματα –μετεωρολογικών παρατηρήσεων προηγούμενων ετών – ώστε να μάθουν να αναγνωρίζουν μοτίβα στη συμπεριφορά της ατμόσφαιρας και να προβλέπουν πώς αλληλεπιδρούν παράμετροι όπως η πίεση, η θερμοκρασία και η ταχύτητα του αέρα. Μαθαίνουν αυτό που εμείς οι μετεωρολόγοι ονομάζουμε “Συνοπτική Μετεωρολογία” .
Παρακάτω θα παρουσιάσουμε την συνέντευξη της Γενικής Διευθύντριας του Ευρωπαικού Κέντρου ECMWF Florence Rabier (φωτο) όπου μας εξηγεί και μας αναλύσει γιατί η μηχανική μάθηση πρόκειται να διαδραματίσει έναν αυξανόμενο ρόλο στην αριθμητική πρόβλεψη καιρού, αλλά και γιατί οι τεχνικές πρόβλεψης που βασίζονται στη φυσική θα συνεχίσουν και αυτές να είναι σημαντικές. . 
Εξήγησε μέσω της συνεντεύξεως ότι το ECMWF επιδιώκει επί του παρόντος μια τριπλή προσέγγιση: τη χρήση μηχανικής μάθησης για την ενίσχυση των παραδοσιακών τεχνικών, την ανάπτυξη ενός μοντέλου πρόβλεψης καθαρής μηχανικής μάθησης και μια πειραματική χρήση της μηχανικής μάθησης στις παρατηρήσεις καιρού για τη δημιουργία ενός συστήματος πρόβλεψης. Μακροπρόθεσμα, θα ξεκινήσουμε τη διερεύνηση του σχεδιασμού ενός μοντέλου θεμελίωσης για τον καιρό και το κλίμα.
ΕΡ. Η μηχανική μάθηση έχει εισέλθει στον τομέα της αριθμητικής πρόβλεψης καιρού τα τελευταία χρόνια. Γιατί έχει σημασία η μηχανική μάθηση για το ECMWF;
ΑΠ . Οι εφαρμογές τεχνητής νοημοσύνης και μηχανικής μάθησης (AI/ML) έχουν πρόσφατα επεκταθεί δραματικά σε όλους τους τομείς. Η Μηχανική Μάθηση (ML) χρησιμοποιεί πολλά δεδομένα για να παράγει αποτελέσματα και το ECMWF έχει να κάνει με δεδομένα: χρησιμοποιούμε πολλά δεδομένα – δεκάδες εκατομμύρια παρατηρήσεις καιρού την ημέρα – και δημιουργούμε πολλά δεδομένα δημιουργώντας αναλύσεις και προγνώσεις καιρού σε υψηλή ανάλυση.
Παραδοσιακά, χρησιμοποιούμε μεθόδους που βασίζονται στη φυσική για τους υπολογισμούς μας στο Ολοκληρωμένο Σύστημα Πρόβλεψης (IFS). Αυτό ισχύει για την αριθμητική πρόβλεψη καιρού (NWP), τις αναλύσεις του παρελθόντος καιρού και τους ατμοσφαιρικούς υπολογισμούς . Όλοι οι υπολογισμοί απαιτούν μεγάλη υπολογιστική ισχύ για την παραγωγή προβλέψεων υψηλής ποιότητας, με βάση την ακριβή περιγραφή των φυσικών διεργασιών.
Η Μηχανική Μάθηση (ML) μπορεί να βελτιώσει τους υπολογισμούς μας προσθέτοντας στοιχεία ή αντικαθιστώντας ορισμένα μέρη της προηγούμενης διαδικασίας. Αυτό είναι αυτό που ονομάζουμε “υβριδική» προσέγγιση”. Η ML μπορεί επίσης να αντικαταστήσει πλήρως ολόκληρο το μοντέλο, με πολύ χαμηλότερο υπολογιστικό κόστος. Επιπλέον, το AI/ML ανοίγει ορισμένους δρόμους σε άλλες δραστηριότητες στις οποίες συμμετέχουμε, όπως προβλέψεις πλημμύρας, προβλέψεις κινδύνου πυρκαγιάς, παρακολούθηση παρατηρήσεων κ.α .
Γραφικό σχήμα γεωσκόπησης : Η μηχανική εκμάθηση είναι κατάλληλη για την πρόβλεψη καιρού λόγω του τεράστιου όγκου δεδομένων που χρησιμοποιούνται για τον προσδιορισμό των καλύτερων δυνατών αρχικών συνθηκών και για την παραγωγή παγκόσμιων προβλέψεων.
ΕΡ. Πώς λειτουργεί η υβριδική προσέγγιση ;
ΑΠ : Η μηχανική μάθηση μπορεί να χρησιμοποιηθεί για την καλύτερη εκτίμηση ορισμένων δεδομένων αριθμητικής πρόγνωσης και στοιχείων του NWP καθώς και για την εκτίμηση του σφάλματος του μοντέλου. Αυτό ισχύει για τη διαδικασία δημιουργίας των καλύτερων δυνατών συνθηκών εκκίνησης των προβλέψεων, που ονομάζεται αφομοίωση δεδομένων (data assimilation) , αλλά και για τις ίδιες τις προβλέψεις.
Μέρη του γήινου συστήματος, όπως ο θαλάσσιος πάγος, το χιόνι, το έδαφος και η βλάστηση, είναι δύσκολο να μοντελοποιηθούν από την καθαρή φυσική, επομένως στην πράξη, η μοντελοποίηση μπορεί να είναι αρκετά εμπειρική. Σε τέτοιες περιπτώσεις, υπάρχει μεγάλη δυνατότητα να αφήσουμε τις παρατηρήσεις να καθορίζουν όλο και περισσότερο τα μοντέλα. Όπως έχουμε αποδείξει για την αφομοίωση του θαλάσσιου πάγου, είναι πιο πιθανό να επιτύχουμε τα καλύτερα αποτελέσματα συνδυάζοντας προσεκτικά τη γνωστή φυσική με εμπειρικά στοιχεία και στοιχεία ML, αντί να χρησιμοποιούμε μόνο τα φυσικά μοντέλα.
Υπάρχουν επίσης ορισμένα προβλέψιμα σφάλματα των μοντέλων τα οποία μπορούμε να εκτιμήσουμε και να αφαιρέσουμε από την αφομοίωση δεδομένων και τις επακόλουθες προβλέψεις χρησιμοποιώντας ML. Οι καιρικές και κλιματικές αναλύσεις μπορούν επίσης να επωφεληθούν από την Μηχανική Μάθηση . Για παράδειγμα, για την επόμενη εκ νέου ανάλυση του ECMWF, στο ERA6, θα εφαρμοστεί μια μέθοδος διόρθωσης σφαλμάτων μοντέλου ML, που αναπτύχθηκε για την περίοδο από το 2006, η οποία είναι πλούσια σε δορυφορικές παρατηρήσεις, και θα εφαρμοστεί σε προηγούμενες περιόδους με αραιά δεδομένα.
Διόρθωση σταθερής τάσης έναντι διόρθωσης τάσης που εξαρτάται από το χρόνο : Aυτό το κινούμενο σχέδιο απεικονίζει τις μεταβλητές διορθώσεις των τάσεων θερμοκρασίας κοντά στην επιφάνεια ανά ώρα, που καθορίζονται από τη μηχανική μάθηση, που πρόκειται να εφαρμοστούν στο σύστημα αφομοίωσης δεδομένων από το 2025, σε σύγκριση με τις σταθερές διορθώσεις τάσης. Η διόρθωση σταθερής τάσης περιλαμβάνει μικρές αλλαγές για κάθε 12ωρο παράθυρο αφομοίωσης. (Χρονική σειρά ευγενική προσφορά του Patrick Laloyaux, ECMWF)
ΕΡ: Τι είδους πρόοδος έχει σημειωθεί σε ένα σύστημα πρόβλεψης που βασίζεται αποκλειστικά στο ML;
AΠ : Έχουμε κάνει τεράστια πρόοδο τους τελευταίους 18 μήνες περίπου στην κατασκευή ενός τέτοιου συστήματος, που ονομάζεται Σύστημα Πρόβλεψης Τεχνητής Νοημοσύνης (AIFS). Αυτό είναι το αποτέλεσμα των αποφάσεων των κρατών μελών μας σχετικά με τις επενδύσεις, τα κίνητρα και την αφοσίωση του προσωπικού μας και τις προσπάθειες συνεργασίας με τους εταίρους. Το AIFS χρησιμοποιεί αναλύσεις κλίματος Copernicus και ανάλυση καιρού για εκπαίδευση, και βασίζεται στις αρχικές συνθήκες του IFS, επομένως δεν είναι εντελώς διαχωρισμένο από τις παραδοσιακές τεχνικές. Αλλά κάνει προβλέψεις μόνο με βάση το ML.
Φέτος μειώσαμε την απόσταση του δικτύου των AIFS από 100 σε 28 km και θα μειωθεί περαιτέρω. Αυτό συγκρίνεται με μια απόσταση πλέγματος επί του παρόντος 9 km για το IFS. Έχουμε επίσης δημιουργήσει ένα πρώτο σύστημα συνόλου AIFS, στο οποίο γίνονται διάφορες ελαφρώς διαφορετικές προβλέψεις για κάθε φορά στο μέλλον για να ανιχνεύσουμε τα πιθανά σενάρια και έτσι να καταστεί δυνατή η εκτίμηση της αβεβαιότητας. Αυτές οι προβλέψεις έχουν προστεθεί στην ιστοσελίδα των γραφημάτων μας και είναι διαθέσιμες ως ανοιχτά δεδομένα.
Εξετάζουμε υπο-εποχιακά χρονοδιαγράμματα, έως και 46 ημέρες μπροστά, και την προσθήκη διαφόρων στοιχείων του συστήματος της Γης. Υπάρχουν επίσης σχέδια για προβλέψεις του AIFS για την υδρολογία και την ατμοσφαιρική σύνθεση. Συνεργαζόμαστε σε ένα πιλοτικό έργο ECMWF ML με κράτη μέλη και συνεργαζόμενα κράτη και συμμετέχουμε σε μια πρωτοβουλία EUMETNET AI. Αυτό θα μας βοηθήσει να συγκρίνουμε διαφορετικές προσεγγίσεις, σε διαφορετικά χρονοδιαγράμματα και αναλύσεις.
Η συνεργασία με τα κράτη μέλη και τα συνεργαζόμενα κράτη μας είναι επίσης σημαντική για την ανάπτυξη μιας πλατφόρμας που ονομάζεται Anemoi, η οποία θα επιτρέψει στους χρήστες να δημιουργήσουν τα δικά τους μοντέλα ML.
CRPS για θερμοκρασία 850 hPa για IFS ENS και AIFS ENS : Η βαθμολογία συνεχούς κατάταξης πιθανότητας (CRPS – χαμηλότερη είναι καλύτερη) μετρά την ποιότητα των προβλέψεων του συνόλου. Εδώ το δείχνουμε για θερμοκρασία 850 hPa, με αποτελέσματα για το σύνολο IFS (IFS ENS – κόκκινο) και για το πειραματικό σύνολο AIFS (AIFS ENS – μπλε). Οι βαθμολογίες συγκεντρώνονται στα εξωτροπικά του βόρειου ημισφαιρίου και σε μια περίοδο περίπου πέντε μηνών.
Ποια είναι η κατάσταση της χρήσης ML μόνο σε παρατηρήσεις;
Τον τελευταίο χρόνο, ξεκινήσαμε μια ριζικά νέα προσέγγιση στην πρόβλεψη καιρού: την παραγωγή προγνώσεων καιρού απευθείας από παρατηρήσεις. Η αφομοίωση δεδομένων με βάση τη φυσική βασίζεται σε ορισμένες υποθέσεις, όπως η τέλεια γνώση των σφαλμάτων του μοντέλου και της παρατήρησης, καθώς και η σχέση μεταξύ του μοντέλου και των παρατηρήσεων. Η νέα προσέγγιση προσπαθεί να παρακάμψει αυτές τις πτυχές της συμβατικής αφομοίωσης δεδομένων.
Σημαίνει ότι οι παρατηρήσεις δεν χρειάζεται να αντιστοιχιστούν σε ένα λεπτό πλέγμα μη μετρήσιμων παραμέτρων. Ανοίγει επίσης τη δυνατότητα εκμετάλλευσης του πληροφοριακού περιεχομένου συναρπαστικών νέων παρατηρήσεων. Αυτό το έργο AI-Direct Observation Prediction (AI-DOP) περιλαμβάνει ένα νευρωνικό δίκτυο εκπαιδευμένο να προβλέπει μελλοντικές παρατηρήσεις από μακρά ιστορικά αρχεία παλαιότερων παρατηρήσεων.
Σε αυτή τη νέα προσέγγιση, χρησιμοποιούμε αποτελεσματικά τις παρατηρήσεις για να προβλέψουμε μελλοντικές καταστάσεις της ατμόσφαιρας που μάθαμε απευθείας από τις ίδιες τις παρατηρήσεις. Τα πρώτα αποτελέσματα είναι πολλά υποσχόμενα, αλλά αυτή η προσέγγιση εξακολουθεί να είναι πειραματική.
Πρόβλεψεις και παρατήρησεις μετρήσεων IASI στο AI-DOP : Ένα παράδειγμα πρόβλεψης μελλοντικών παρατηρήσεων με το AI-DOP. Δείχνουμε τις θερμοκρασίες φωτεινότητας του καναλιού υπέρυθρων παραθύρων (σε Kelvin), που μετρήθηκαν με το υπέρυθρο ατμοσφαιρικό συμβολόμετρο ήχου (IASI), οι οποίες προβλέπονται μία και τέσσερις ημέρες πριν. Η αριστερή στήλη δείχνει τις προβλεπόμενες τιμές και η δεξιά στήλη τις πραγματικές ακτινοβολίες που μετρήθηκαν μία και τέσσερις ημέρες αργότερα. Αυτό το κανάλι είναι πολύ ευαίσθητο στις δομές ατμοσφαιρικών νεφών και μπορούμε να δούμε ότι το AI-DOP παράγει πολύ εύλογες προβλέψεις για την εξέλιξη των καιρικών μοτίβων μεγάλης κλίμακας, αν και μάλλον εξομαλύνονται με το τρέχον πειραματικό σύστημα χαμηλής ανάλυσης. Τα ορθογώνια υπογραμμίζουν μερικά από τα πιο εμφανή καιρικά μοτίβα που προβλέπονται καλά.
Τι μας επιφυλάσσει το μέλλον;
Το 2025, το σύστημα AIFS ensemble θα τεθεί σε λειτουργία ως συμπλήρωμα του IFS. Οι εργασίες θα συνεχιστούν για την περαιτέρω βελτίωση της μοντελοποίησης ML και την αύξηση της χωρικής ανάλυσης, προχωρώντας προς τα 9 km. Πέρα από το μεσαίο εύρος, τόσο υβριδικές όσο και βασισμένες σε δεδομένα προσεγγίσεις θα αναπτυχθούν για υπο-εποχιακά και εποχιακά συστήματα πρόβλεψης. Ένας λειτουργικός AIFS για αυτά τα χρονοδιαγράμματα θα αναπτυχθεί έως το 2026.
Στο πλαίσιο της πρωτοβουλίας Destination Earth της ΕΕ, το πεδίο εφαρμογής των AIFS θα επεκταθεί για να συλλάβει ωκεανούς, θαλάσσιους πάγους, ξηρά, υδρολογία και διεργασίες κυμάτων. Το ECMWF θα μπορούσε επίσης να συμβάλει με την ευρεία τεχνογνωσία και τους πόρους του για την υποστήριξη των εργοστασίων τεχνητής νοημοσύνης της Ευρωπαϊκής Επιτροπής. Στο πλαίσιο των υπηρεσιών Copernicus της ΕΕ, θα διερευνηθεί ένα υβριδικό μοντέλο και ένα μοντέλο ατμοσφαιρικής σύνθεσης AIFS, καθώς και μέθοδοι που βασίζονται στη μηχανική μάθηση για τη μείωση της κλίμακας της παγκόσμιας εκ νέου ανάλυσης ERA5 σε ευρωπαϊκές και αρκτικές περιοχές. Η άμεση χρήση των παρατηρήσεων στην ανάπτυξη μοντέλων ML θα συνεχιστεί.
Σε συνεργασία με εταίρους σε όλη την ευρωπαϊκή μετεωρολογική κοινότητα, σχεδιάζουμε επίσης να αναπτύξουμε ένα θεμελιώδες μοντέλο για τον καιρό και το κλίμα έως το 2027, χρησιμοποιώντας μεγάλη ποικιλία δεδομένων και έχοντας τη δυνατότητα προσαρμογής σε ένα ευρύ φάσμα εργασιών. Για παράδειγμα, θα λειτουργεί ως εργαλείο πρόβλεψης, μείωσης κλίμακας και μετα-επεξεργασίας. Θα εφαρμοστεί σε τομείς όπως ο καιρός, το νερό, η ενέργεια, η υγεία και η επισιτιστική ασφάλεια.
Θα υπάρχει πάντα ένας ρόλος για ένα σύστημα πρόβλεψης βασισμένο στη φυσική;
Το ECMWF προσπαθεί να βρίσκεται στην πρώτη γραμμή των εξελίξεων AI/ML, μαζί με την Ευρωπαϊκή Μετεωρολογική Κοινότητα , για να υποστηρίξει τον συνεχή στόχο της παγκόσμιας κορυφαίας πρόγνωσης καιρού. Αυτό δεν σημαίνει ότι εγκαταλείπουμε τις προβλέψεις με βάση τη φυσική. Πολλές τρέχουσες εργασίες αφορούν τον καλύτερο συνδυασμό των δύο για την παραγωγή των καλύτερων δυνατών αποτελεσμάτων. Σχεδιάζουμε, για παράδειγμα, να αναπτύξουμε μικρά σύνολα υψηλότερης ανάλυσης του μοντέλου που βασίζεται στη φυσική για να συμπληρώσουμε την τρέχουσα παραγωγή σε απόσταση πλέγματος 9 km. Αυτό θα είναι χρήσιμο από μόνο του, αλλά θα βοηθήσει επίσης στην εκπαίδευση μοντέλων που βασίζονται σε δεδομένα, τα οποία θα έχουν επίσης υψηλότερη ανάλυση. Από αυτά που περιέγραψα, μπορείτε να δείτε ότι στο μέλλον θα υπάρχει ακόμα ένας ρόλος για τη μοντελοποίηση με βάση τη φυσική. Θα χρησιμεύσει για τη σταθεροποίηση του συστήματος, ακόμη και αν ένα αυξανόμενο μέρος της επιχειρησιακής παραγωγής εκτελείται με προσεγγίσεις που βασίζονται σε δεδομένα.- ΠΕΡΑΣ ΣΥΝΕΝΤΕΥΞΗΣ
Αγαπητοί αναγνώστες κλείνω με την επισήμανση ότι οι αλλαγές που ήδη συμβαίνουν σε Παγκόσμια Κλίμακα στην Πρόγνωση του Καιρού έχουν επιφέρει σημαντικές αλλαγές σε όλες τις Μετεωρολογικές Υπηρεσίες, καθώς τα κράτη μέλη που μετέχουν σε διεθνή δίκτυα, τρέχουν ήδη τις εφαρμογές τους σε απομακρυσμένους υπερυπολογιστές . Σε λίγα χρόνια τα κόστη για έγκυρες προγνώσεις θα μειωθούν σημαντικά και αυτό θα έχει σαν αποτέλεσμα οι Μετεωρολογικές Υπηρεσίες να μην επιβαρύνονται από υπερβολικές επενδύσεις σε υπολογιστές και η προτεραιότητα θα δοθεί στην βελτίωση των προγνωστικών μοντέλων και την αλλαγή στρατηγικής .
Σε αυτόν τον τομέα θα πρέπει να δώσουμε προτεραιότητα . Κατά τα άλλα η Ελληνική Πολιτεία έχει βάλει βαθιά το χέρι στην τσέπη -ειδικά στις μέρες μας με το πρόγραμμα ΑΙΓΙΣ- για τους μετεωρολογικούς εξοπλισμούς με σταθμούς και ραντάρ . Για να μην επαναληφθούν όμως οι “αστοχίες” του παρελθόντος προτείνω οι υποδομές αυτές να παρακολουθούνται σε ετήσια βάση από την Βουλή (συγκεκριμένα από την αρμόδια Ειδική Μόνιμη Επιτροπή Προστασίας Περιβάλλοντος ) ενω παράλληλα τώρα που ΕΜΥ και ΕΑΑ βρίσκονται στο ΥΚΚΠΠ θα πρέπει να αναπτύξουν ένα Εθνικό Προγνωστικό Μοντέλο Καιρού με βάση τα παραπάνω , το οποίο να είναι αποδεκτό από όλη τη Μετεωρολογική Κοινότητα .
Τέλος θα πρέπει η χρήση μεθόδων βαθιάς μάθησης να εφαρμοστεί και σε άλλους τομείς όπως στη γεωργία με τη δημιουργία προηγμένων ρομποτικών συστημάτων, ευφυών συστημάτων ελέγχου περιβάλλοντος κ.ά. Η ενσωμάτωση τέτοιων μεθόδων σε λιγότερο τεχνολογικούς τομείς της γεωπονίας, όπως π.χ. αυτός της φυτοπαθολογίας, παρουσιάζει, όπως είναι λογικό, κάποια καθυστέρηση, όμως τα τελευταία χρόνια αυτό τείνει να αλλάξει, τόσο μέσω της αυξανόμενης ενασχόλησης γεωπόνων με θέματα πληροφορικής όσο και με τη δημιουργία συνεργειών μεταξύ γεωπόνων και επιστημόνων της πληροφορικής και ειδικότερα της τεχνητής νοημοσύνης Η ύπαρξη ενός αυτοματοποιημένου, υπολογιστικού συστήματος διάγνωσης ασθενειών, θα μπορούσε να αποτελέσει έναν πολύτιμο αρωγό για τον γεωπόνο που καλείται να πραγματοποιήσει αντίστοιχες διαγνώσεις ασθενειών φυτών μέσω οπτικής παρατήρησης των φύλλων . ΠΕΡΙΣΣΟΤΕΡΑ ΕΔΩ σε αυτή την εξαιρετική εργασία
Πηγή: ECMWF
https://www.ecmwf.int/en/about/media-centre/news/2024/machine-learning-play-growing-role-weather-forecasting-says-dg