MatlabTips

پیش بینی هوای جهان با graphcast

پیش بینی هوا همیشه یکی از پر چالش ترین مسائل بوده است. پیش بینی هوا از طرفی یکی از حساس ترین پیش بینی ها در دنیای امروز است از کشاورزی و مسافربری هوایی تا برگزاری رویدادهای ورزشی پر هزینه به چنین پیش بینی هایی وابسته است. روش های کنونی بر پایه ی شبیه سازی های بسیار پیچیده بر اساس قوانین فیزیک است هستند. این روش ها توسط ابر کامپیوتر هایی محاسبه می شود که معادلات دیفرانسیل پیچیده را حل میکنند. قدرتمند ترین راه حل HRES یا (high resolution forecast) بود که یک سیستم پیچیده و بسیار پرهزینه است که توسط اتحادیه اروپا تامین می شود تا این که deepmind از راه حل جدید خود یعنی graphcast رونمایی کرد.

این مدل بر اساس graph neural network کار میکند و می تواند تا ۱۰ روز را با دقت بیشتری از HRES در کمتر از یک دقیقه پیش بینی کند این در حالی است که چنین پیش بینی برای HRES حداقل چهار روز طول می کشد!!

نحوه ی کار این مدل بسیار ساده است. ابتدا اطلاعات تمام کره ی زمین به یک مشبک های کوچک ۲۸ در ۲۸ کیلومتر تقسیم می شود. این اطلاعات شامل دما،‌وزش باد و غیره است. در مرحله ی بعدی اطلاعات یک همسایگی از هر مشبک گرفته می شود و در یک مشبک جدید دیگر که دارای شبکه های بزرگ تری است ذخیره می شود. این کار برای سایز های مختلف انجام می شود (چیزی که در شکل می بینید). این کار مانند این است که اطلاعات یک شهر را گرفته و بعد اطلاعات یک بخش بعد یک شهرستان بعد یک استان و یک کشور و در هر مرحله اطلاعات مرحله ی قبل تجمیع می شود(encoder). البته اینجا منظور از تجمیع لزوما جمع کردن یا میانگین گرفتن ساده نیست بلکه یک میانگین وزن دار با وزن هایی است که شبکه یاد می گیرد. مرحله بعد این است که اطلاعات گرفته شده در رزلوشن های مختلف با هم ترکیب شده و دوباره از آن ها برای پیش بینی همان کوچکترین مشبک ها منتها برای ۶ ساعت بعد استفاده می کنند(decoder).

بعد از آنکه مدل آموزش دیده شد ورودی یک ساعت را به آن می دهند و مدل ۶ ساعت بعد را پیش بینی می کند و بعد آن خروجی دوباره به خورد مدل داده می شود (autoregressive) به این ترتیب مدل ۶ ساعت بعد تر را هم پیش بینی می کند. این کار را می توان برای آینده ی دلخواه انجام داد. صد البته به خاطر غیر خطی بودن سیستم آب هوایی هر چه پنجره ی زمانی به آینده بزرگ تر باشد دقت پایین تر می آید ولی با این حال دقت graphcast تا ۱۰ روز آینده بالاتر از ۹۰ درصد است که در ۹۹.۷ درصد مواقع از سیستم پر هزینه (و حالا هندلی) HRES بهتر کار می کند.

اما بهترین قسمت این کار این است که تمام کدهای این پروژه متن باز و در دسترس همگان است.

ویدیوی جذاب دیپ مایند برای این پروژه

Science

Learning skillful medium-range global weather forecasting

Machine learning leads to better, faster, and cheaper weather forecasting.

www.tgoop.com/matlabtips/1634

783 viewsedited  Mar 14, 2024 at 18:30

پیش بینی هوای جهان با graphcast

پیش بینی هوا همیشه یکی از پر چالش ترین مسائل بوده است. پیش بینی هوا از طرفی یکی از حساس ترین پیش بینی ها در دنیای امروز است از کشاورزی و مسافربری هوایی تا برگزاری رویدادهای ورزشی پر هزینه به چنین پیش بینی هایی وابسته است. روش های کنونی بر پایه ی شبیه سازی های بسیار پیچیده بر اساس قوانین فیزیک است هستند. این روش ها توسط ابر کامپیوتر هایی محاسبه می شود که معادلات دیفرانسیل پیچیده را حل میکنند. قدرتمند ترین راه حل HRES یا (high resolution forecast) بود که یک سیستم پیچیده و بسیار پرهزینه است که توسط اتحادیه اروپا تامین می شود تا این که deepmind از راه حل جدید خود یعنی graphcast رونمایی کرد.

این مدل بر اساس graph neural network کار میکند و می تواند تا ۱۰ روز را با دقت بیشتری از HRES در کمتر از یک دقیقه پیش بینی کند این در حالی است که چنین پیش بینی برای HRES حداقل چهار روز طول می کشد!!

نحوه ی کار این مدل بسیار ساده است. ابتدا اطلاعات تمام کره ی زمین به یک مشبک های کوچک ۲۸ در ۲۸ کیلومتر تقسیم می شود. این اطلاعات شامل دما،‌وزش باد و غیره است. در مرحله ی بعدی اطلاعات یک همسایگی از هر مشبک گرفته می شود و در یک مشبک جدید دیگر که دارای شبکه های بزرگ تری است ذخیره می شود. این کار برای سایز های مختلف انجام می شود (چیزی که در شکل می بینید). این کار مانند این است که اطلاعات یک شهر را گرفته و بعد اطلاعات یک بخش بعد یک شهرستان بعد یک استان و یک کشور و در هر مرحله اطلاعات مرحله ی قبل تجمیع می شود(encoder). البته اینجا منظور از تجمیع لزوما جمع کردن یا میانگین گرفتن ساده نیست بلکه یک میانگین وزن دار با وزن هایی است که شبکه یاد می گیرد. مرحله بعد این است که اطلاعات گرفته شده در رزلوشن های مختلف با هم ترکیب شده و دوباره از آن ها برای پیش بینی همان کوچکترین مشبک ها منتها برای ۶ ساعت بعد استفاده می کنند(decoder).

بعد از آنکه مدل آموزش دیده شد ورودی یک ساعت را به آن می دهند و مدل ۶ ساعت بعد را پیش بینی می کند و بعد آن خروجی دوباره به خورد مدل داده می شود (autoregressive) به این ترتیب مدل ۶ ساعت بعد تر را هم پیش بینی می کند. این کار را می توان برای آینده ی دلخواه انجام داد. صد البته به خاطر غیر خطی بودن سیستم آب هوایی هر چه پنجره ی زمانی به آینده بزرگ تر باشد دقت پایین تر می آید ولی با این حال دقت graphcast تا ۱۰ روز آینده بالاتر از ۹۰ درصد است که در ۹۹.۷ درصد مواقع از سیستم پر هزینه (و حالا هندلی) HRES بهتر کار می کند.

اما بهترین قسمت این کار این است که تمام کدهای این پروژه متن باز و در دسترس همگان است.

ویدیوی جذاب دیپ مایند برای این پروژه

BY MatlabTips