Väderprognoser med AI både snabbare och säkrare

Vid Europacentret för medellånga väderprognoser, European Centre for Medium-Range Weather Forecasts (ECMWF), i italienska Bologna finns en av världens mest avancerade superdatorer för meteorologiska beräkningar. Dygnet runt jobbar den med att producera väderprognoser som sträcker sig upp till 15 dagar framåt. Trots den enorma beräkningskapaciteten tar det timmar att få fram en ny prognos.

I tidskriften Science presenterar forskare vid företaget Google Deepmind en AI-modell, baserad på maskininlärning, som gör samma jobb på under en minut. Dessutom behövs ingen superdator, beräkningarna sker på ett enda chip.

Modellen, som kallas Graphcast, har lärt sig att göra prognoser genom att träna på väderdata från 40 år tillbaka. I nio fall av tio blev resultatet bättre än superdatorns tiodygnsprognoser. Dessutom visade sig AI-modellen vara bättre än de traditionella metoderna på att förutse extrema väderhändelser, trots att den inte tränats för den uppgiften.

Forskarna bakom modellen kallar den en ”vändpunkt för väderprognoser”.

–  Man kan lugnt säga att den här typen av AI-modeller skakat om vår värld. Vi hade nog trott att det skulle ta lång tid innan AI blev bättre än de traditionella numeriska metoderna, säger Tomas Landelius, forskare vid SMHI.

För att räkna fram kommande dagars väder krävs enorma datorsimuleringar. Observationer om temperatur, lufttryck, vindhastighet och andra parametrar matas in i prognosmodellen. Totalt handlar det om hundratals miljoner mätningar från olika mätstationer varje dag. För att kunna utföra beräkningarna delas atmosfären runt jorden in i ett tredimensionellt rutnät. Vid ECMWF används ett nät med fler än 100 lager där varje ruta har en bredd, längd och höjd på nio kilometer. Ju mer finmaskigt nät, desto bättre blir prognosen, men samtidigt ökar antalet beräkningar.

Graphcast baserar sina beräkningar på data om vädret just nu samt hur det var sex timmar tidigare. Utifrån dessa data gör den sin prognos utifrån vad modellen lärt sig om hur vädret på jorden fungerar.

Förutom att AI-modellen är snabbare och inte kräver energislukande superdatorer som arbetar dygnet runt, är den mindre arbetskrävande. Flera väderorganisationer har nu också börjat undersöka om Graphcast, som släpptes före publiceringen i Science, kan användas för att komplettera och vässa den traditionella numeriska metoden.

En av dessa är SMHI. Tillsammans med doktoranden Joel Oskarsson vid Linköpings universitet har Tomas Landelius vidareutvecklat Graphcast och anpassat modellen för att göra regionala väderprognoser för Norden.

–  Det ser väldigt lovande ut och det finns ett stort intresse för att samarbeta kring de här frågorna i Norden, säger Tomas Landelius.

Även ECMWF experimenterar med AI-baserade prognoser och resultatet kan följas på organisationens hemsida.

Fler extrema väderhändelser till följd av klimatförändringarna och utbyggnaden av väderberoende energi gör att behovet av tillförlitliga prognoser ökar. En tumregel har tidigare varit att prognoserna blir en dag bättre för varje årtionde. Det betyder att en sjudygnsprognos i dag är lika bra som en tredygnsprognos för 40 år sedan.

Enligt Tomas Landelius kan AI höja förbättringstakten.

– I och med att atmosfären är ett kaotiskt system finns det dock en fysikalisk gräns för hur lång en meningsfull väderprognos kan göras. Gränsen går vid 15 dagar.

Google är inte ensamt om att utveckla AI för väderprognoser. Det kinesiska företaget Huawei står bakom en modell som kallas Pangu-Weather som även kan göra prognoser för tropiska cykloner. En annan AI-baserad prognosmodell är Fourcastnet som utvecklats av den amerikanska chiptillverkaren Nvidia.