Bättre väderprognoser med artificiell intelligens?

Meteorologiska institutet producerar en lägesbild i realtid samt prognosinformation om väder-, havs-, klimat- och rymdförhållandena och deras effekter. Fysikaliska väder-, havs- och klimatmodeller är en central del av denna kedja av prognosvärden för förhållandena. Statistiska metoder, inklusive artificiell intelligens, har länge varit en del av denna kedja. Med hjälp av artificiell intelligens har man strävat efter att effektivisera till exempel användningen av väderobservationer i prognosmodellerna eller skapa nya konsekvensprognoser så att de identifierar sambanden mellan meteorologiska fenomen och deras effekter.

Atmosfären kan redan nu modelleras med databaserade AI-modeller.Till exempel har det Europeiska centret för medelfristiga väderprognoser (ECMWF) utvecklat en prototyp av en databaserad global vädermodell som inte längre direkt grundar sig på fysikaliska ekvationer utan på beroenden som modellen för artificiell intelligens har lärt sig av den långa data-tidsserien om atmosfärens historia, som har producerats med den traditionella vädermodellen.

En färdigt inlärd prognos med artificiell intelligens kan beräknas betydligt snabbare än vädermodellprognosen som kräver en superdator.

Under de senaste åren har stora teknologiföretag gjort framsteg i utvecklingen av databaserade väderprognosmetoder. Fördelen med prognoser med artificiell intelligens är att de är snabba jämfört med traditionella metoder. En färdigt inlärd prognos med artificiell intelligens kan beräknas betydligt snabbare än vädermodellprognosen som kräver en superdator. Väderprognoserna för modellerna för artificiell intelligens har i fråga om några parametrar och mätt med vissa mätare varit på samma nivå som vädermodellernas prognoser – eller till och med bättre.

Det finns mycket data tillgängligt och beräkningstekniken har utvecklats

Vad har då möjliggjort en snabb utveckling av databaserade prognoser? För det första finns det mycket data idag och den är lättare tillgänglig. Till exempel den europeiska klimatförändringstjänsten Copernicus (C3S) producerar globala omanalysdata från flera årtionden som grundar sig på vädermodeller och observationer och som lämpar sig väl som undervisningsmaterial för artificiell intelligens. Väderobservationer och data som produceras av vädermodeller är det viktigaste bränslet i värdekedjan för prognoser med artificiell intelligens.

För det andra har det blivit vanligare med beräkningsteknik baserad på grafiska acceleratorer (GPU) som lämpar sig väl för undervisning i artificiell intelligens-metoder.

Det finns dock fortfarande brister och utvecklingspotential i prognoserna med artificiell intelligens. Lokalt exakta analysdata för prognostisering av extrema väderfenomen, såsom oväder och åskväder, finns ännu inte i samma omfattning som "mer sällan" globala data. Antalet parametrar som prognoserna med artificiell intelligens producerar är också begränsat jämfört med vädermodellernas prognoser. Att inkludera nya datakällor i undervisningen i artificiell intelligens kommer att vara ett centralt utvecklingsobjekt för att förbättra båda dessa brister.

Ändrar artificiell intelligens uppgörandet av väderprognoser?

Artificiell intelligens har potential att påskynda utarbetandet av väderprognoser. Artificiell intelligens kan också på ett helt nytt sätt göra det möjligt att koppla de konsekvenser som vädret orsakar, såsom mängden energiproduktion eller stormskador, till en fast del av väderprognosen. Väderobservationer och vädermodeller med lokal precision, som redan nu används operativt av Meteorologiska institutet, har sannolikt en central roll som producent av nya undervisningsdata. Utöver dessa lockar den enorma hastigheten hos databaserade prognosmetoder till att undersöka hur prognosens osäkerhet kunde bedömas mer kostnadseffektivt med databaserade metoder jämfört med den nuvarande flockprognostekniken.

Modellerna för artificiell intelligens och deras kvalitet uppstår dock inte ur ett vakuum, utan de är precis så bra som de data som används i undervisningen av metoderna. Omanalysdata och vädermodeller som ligger till grund för dem måste även i fortsättningen utvecklas för att kvaliteten på de databaserade prognosmetoderna ska utvecklas. Att skapa data, uppdatera och lära ut prognosmetoder för artificiell intelligens är en mycket kalkylintensiv verksamhet som även i fortsättningen kräver superdatorkapacitet.

Modellerna för artificiell intelligens och deras kvalitet uppstår dock inte ur ett vakuum, utan de är precis så bra som de data som används i undervisningen av metoderna.

Det är klart att de nya möjligheter som artificiell intelligens erbjuder också kommer att förändra utarbetandet av väderprognoser, men man måste förstå metodernas och datans möjligheter och begränsningar. Utvecklingstakten för metoderna för artificiell intelligens och tillämpningen av dem är just nu enorm, så det är svårt att bedöma hur stor brytningstid det slutligen blir.

Meteorologiska institutet bidrar tillsammans med sina europeiska partners till att skapa denna omvälvning genom att utveckla och testa databaserade prognosmetoder. För närvarande verkar det som om de bästa resultaten uppnås genom att kombinera observationer, fysikaliska modeller och metoder för artificiell intelligens för att uppnå noggrannare och i synnerhet snabbare prognoser. Investeringar i metodforskning samt data- och beräkningsinfrastruktur är nödvändiga för att uppnå den förväntade nyttan.

Sami Niemelä

Skribenten är direktör för programmet för meteorologi och havsforskning vid Meteorologiska institutet

Bild: Veikko Somerpuro