Google DeepMind ra mắt WeatherNext 3: Dự báo thời tiết toàn cầu 5km, cập nhật mỗi giờ

Các mô hình thời tiết AI đã dành ba năm để thu hẹp khoảng cách với dự báo dựa trên vật lý, nhưng vẫn còn hai vấn đề tồn tại: độ phân giải quá thấp so với địa hình địa phương và việc khởi tạo phụ thuộc vào phân tích dự báo thời tiết số (NWP) vốn thường trễ khoảng sáu giờ. WeatherNext 3, được Google DeepMind và Google Research công bố, đã giải quyết cả hai vấn đề này. Mô hình sử dụng ảnh ghép vệ tinh địa tĩnh toàn cầu trực tiếp làm đầu vào, tái khởi tạo mỗi giờ một lần và đưa ra dự báo với độ phân giải lên tới 0,05° (~5 km), đồng thời huấn luyện dựa trên các số liệu đo đạc thô từ trạm thời tiết thay vì chỉ dựa vào các lưới tái phân tích. Theo Google AI, các đánh giá độc lập từ Brightband xếp hạng đây là mô hình thời tiết toàn cầu chính xác nhất tính đến thời điểm hiện tại.

Liệu mô hình này có thể triển khai được không? Một phần. Dữ liệu dự báo hiện đã có sẵn thông qua BigQuery, Earth Engine và Cloud Storage sau khi gửi yêu cầu vào danh sách cho phép (allowlist), nhưng trọng số của WeatherNext 3 không phải là mã nguồn mở và các yêu cầu suy luận tùy chỉnh theo yêu cầu vẫn đang chạy trên WeatherNext 2.

Kiến trúc và đầu vào

WeatherNext 3 là một mạng lưới transformer dạng Functional Generative Network (FGN), thuộc cùng họ xác suất đã được giới thiệu trong WeatherNext 2, nhưng được mở rộng để cho ra kết quả đa độ phân giải. Đầu vào bao gồm ảnh ghép vệ tinh địa tĩnh trực tiếp cộng với phân tích ECMWF HRES. Quá trình huấn luyện dựa trên ERA5/HRES-fc0, dữ liệu IMERG của NASA, các quan trắc từ trạm và ảnh ghép vệ tinh.

Hầu hết các mô hình dự báo AI đều học từ dữ liệu tái phân tích NWP, vốn làm mờ đi các biến đổi địa phương mà đường bờ biển, thung lũng và núi non thực sự tạo ra. WeatherNext 3 huấn luyện các đầu quan trắc chuyên biệt trực tiếp trên các số liệu đo đạc thô từ trạm, vì vậy kết quả đầu ra về nhiệt độ và điểm sương ở mức 0,05° được hiệu chỉnh theo những gì thiết bị ghi lại thay vì theo cách mô hình biểu diễn khí quyển.

Độ phân giải và tần suất

Một lần truyền tiến (forward pass) duy nhất tạo ra ba cấp độ: nhiệt độ 2m và điểm sương được huấn luyện từ trạm ở mức 0,05° (~5 km); gió bề mặt ở độ cao 10m và 100m, áp suất, nhiệt độ bề mặt biển, các lớp mây, bức xạ mặt trời và lượng mưa theo giờ ở mức 0,1° (~10 km); và các trường khí quyển trên 13 tầng áp suất ở mức 0,25° (~25 km). WeatherNext 2 tạo ra các trường ở mức 0,25° với khoảng cách 6 giờ, đó là lý do tại sao có tuyên bố sắc nét hơn khoảng 5 lần.

Tần suất là thay đổi thứ hai. Mô hình khởi tạo 24 lần mỗi ngày. Các chu kỳ tổng quát lúc 00, 06, 12 và 18 UTC chạy dự báo đến 15 ngày (360 giờ) với 64 thành viên tập hợp (ensemble members); các lần chạy hàng giờ tạm thời bao phủ 48 giờ. Đối với các hiện tượng đối lưu phát triển nhanh, việc làm mới hàng giờ dựa trên các quan sát vệ tinh hiện tại tạo ra sự khác biệt đáng kể so với chu kỳ sáu giờ vốn bị phụ thuộc vào dữ liệu phân tích trễ.

Lượng mưa và các biến số năng lượng sạch

Lượng mưa là lĩnh vực mà các mô hình toàn cầu thường thất bại, tạo ra các trường dữ liệu bị mờ làm mất đi ranh giới của các cơn bão. WeatherNext 3 huấn luyện dựa trên ba nguồn dữ liệu mưa: tái phân tích ECMWF, dữ liệu vệ tinh IMERG của NASA và dữ liệu tái phân tích mưa từ radar vệ tinh của chính Google. Google báo cáo mức cải thiện CRPS so với các mô hình cơ sở lên tới 60% so với IMERG, 30% so với MRMS và 10% so với các trạm đo mưa ở các thời điểm dự báo sớm; nghiên cứu cũng chỉ ra mức giảm tới 50% trong điểm số Brier và CRPS so với các mô hình cơ sở NWP khi đánh giá dựa trên IMERG.

Đối với năng lượng tái tạo, mô hình xuất ra tốc độ gió 100m ở độ cao xấp xỉ trục tuabin, phân bổ mây thấp/trung bình/cao đầy đủ và cả hai thành phần bức xạ mặt trời (SSRD và FDIR). Sự kết hợp đó là những gì các nhà vận hành lưới điện cần để dự báo sản lượng điện gió và điện mặt trời so với nhu cầu, và đây là dấu hiệu rõ ràng nhất cho thấy bản phát hành này nhắm đến các khách hàng vận hành thực tế, chứ không chỉ dừng lại ở các bảng xếp hạng chuẩn.

Những điểm chính cần lưu ý

Hãy xem Bài báo và các chi tiết kỹ thuật. Ngoài ra, đừng ngần ngại theo dõi chúng tôi trên Twitter và đừng quên tham gia SubReddit ML 150k+ của chúng tôi và Đăng ký Bản tin của chúng tôi. Khoan đã! bạn có dùng Telegram không? bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Bạn cần hợp tác với chúng tôi để quảng bá GitHub Repo HOẶC Trang Hugging Face HOẶC Bản phát hành sản phẩm HOẶC Hội thảo trực tuyến, v.v.? Hãy kết nối với chúng tôi.

Michal Sutter là một chuyên gia khoa học dữ liệu với bằng Thạc sĩ Khoa học Dữ liệu từ Đại học Padova. Với nền tảng vững chắc về phân tích thống kê, học máy và kỹ thuật dữ liệu, Michal xuất sắc trong việc chuyển đổi các tập dữ liệu phức tạp thành những thông tin chi tiết có thể hành động được.