Valutare i nuovi modelli di machine learning nelle previsioni del tempo

Prevedere il tempo è un affare complicato. È come cercare di capire cosa farà il tuo gatto dopo-a volte ci prende in pieno, altre volte sei lì a grattarti la testa. Tradizionalmente, i meteorologi si sono affidati a modelli matematici dettagliati per prevedere il tempo. Questi modelli utilizzano le regole fondamentali della fisica per simulare come si comporta l'atmosfera. Tuttavia, con l'arrivo del machine learning (ML), ci sono nuovi strumenti che potrebbero rendere questo compito più facile e preciso.

Due dei modelli di previsione meteorologica in ML più interessanti al momento sono GraphCast e NeuralGCM. Pensali come i nuovi arrivati a scuola che potrebbero rendere la classe molto più interessante. Ma prima di entusiasmarci troppo, dobbiamo verificare se questi nuovi modelli possono effettivamente integrarsi nei sistemi esistenti che usiamo per le previsioni meteorologiche, soprattutto quelli che combinano dati in tempo reale con previsioni-comunemente noti come Assimilazione dei dati.

#Qual è il problema con l'assimilazione dei dati?

Prima di immergerci nei nostri nuovi amici, parliamo di assimilazione dei dati. Immagina di cercare di fare una torta con una ricetta che ti dice di "aggiungere un po' di zucchero" senza darti misure specifiche. Non andrà bene. Allo stesso modo, prevedere il tempo significa affinare le ipotesi iniziali usando osservazioni reali, come dati su temperatura, umidità e pressione. L'assimilazione dei dati è il processo che combina queste osservazioni con le previsioni per creare la migliore stima possibile del tempo in un dato momento.

Uno dei metodi usati in questo processo si chiama assimilazione dei dati variazionale in quattro dimensioni, o 4DVar per abbreviarne il nome. Immagina 4DVar come una calcolatrice molto intelligente che prende tutti i tuoi vecchi indizi sull'atmosfera e li aggiorna man mano che arrivano nuovi dati. L'accuratezza di questo metodo si basa molto sul modello sottostante. Se il modello è un po' traballante, può portare a un pasticcio-come cercare di impilare pancake che semplicemente non stanno insieme.

#Introduzione a GraphCast e NeuralGCM

GraphCast è come quel ragazzo intelligente che sembra sapere tutto-si basa su reti neurali grafiche, che sono fantastiche nel gestire dati disordinati e irregolari, come il tempo. Puoi pensarlo come organizzare un gruppo di amici per una festa in base alle preferenze di tutti-even quelle che non conoscevi! GraphCast è progettato per produrre previsioni meteorologiche competitive ed è particolarmente interessante perché può elaborare molte informazioni rapidamente.

NeuralGCM, d'altra parte, è un po' un ibrido. Immagina di mescolare un'auto tradizionale con un motore a razzo. Questo modello combina un classico framework di previsione meteorologica con tecniche di machine learning per migliorare come simula vari processi atmosferici, come la formazione delle nuvole o la caduta della pioggia. Quindi, mentre GraphCast è tutto su velocità e agilità, NeuralGCM è sull'unire il meglio di entrambi i mondi.

#La necessità di testare

Anche se questi modelli sembrano piuttosto impressionanti, non possiamo semplicemente buttarli nella mischia senza prima controllarne le prestazioni. Solo perché un modello può prevedere la pioggia non significa che farà un buon lavoro nel prevedere se dovresti portare un ombrello. Dobbiamo vedere quanto bene GraphCast e NeuralGCM funzionano quando sono integrati nel framework 4DVar.

A questo punto, daremo un'occhiata ai modelli tangente lineari e ai modelli adatti di entrambi GraphCast e NeuralGCM. Pensa ai modelli tangente lineari come a piccole bussole stabili che ci guidano su come piccoli cambiamenti possano influenzare le nostre previsioni. I modelli adatti ci aiutano a capire come i cambiamenti nell'output si relazionano all'input. Entrambi sono cruciali per verificare se i modelli sono affidabili.

#Confrontare i modelli con un vecchio preferito

Per il nostro confronto, utilizzeremo un modello meteorologico collaudato chiamato MPAS-A, che è l'auto classica nella nostra selezione. È affidabile e è in giro da un po', quindi dovrebbe aiutarci a vedere come si confrontano GraphCast e NeuralGCM. Daremo un'occhiata a quanto siano simili o diversi i modelli quando si tratta di prevedere i cambiamenti meteorologici dopo qualche aggiustamento iniziale.

Un test iniziale implica di inserire un piccolo cambiamento nei modelli, come lanciare un sassolino in uno stagno e guardare le onde che si allargano. Misureremo fino a dove arrivano queste onde, la grandezza delle onde che creano e se sembrano appartenere alla natura. Se GraphCast continua a mostrare segni di vita proprio lì dove abbiamo lanciato il sassolino, potremmo avere un problema tra le mani.

#I risultati: Cosa abbiamo scoperto

Dopo aver mescolato un po' le cose, abbiamo dato un'occhiata più da vicino a come GraphCast e NeuralGCM si sono comportati rispetto a MPAS-A. I risultati erano misti.

Per GraphCast, ha risposto bene ai cambiamenti inizialmente, mostrando onde nei campi del vento-pensa a un vento forte dopo un lancio di sassolino. Tuttavia, ha anche mostrato un comportamento strano; si è aggrappato alla perturbazione originale più a lungo del previsto, un po' come quel amico che non capisce che è ora di andare via dalla festa.

NeuralGCM aveva alcune caratteristiche fisiche che sembravano promettenti, ma ha anche prodotto un po' di "rumore" nelle sue previsioni, come una stazione radio che è leggermente scordata. Il rumore suggeriva che ci fosse margine di miglioramento prima che fosse pronto per il grande pubblico.

Entrambi i modelli avevano alcuni punti di forza, ma sollevavano anche dei dubbi su quanto potessero davvero integrarsi in modo affidabile nel framework di assimilazione dei dati.

#E adesso? Altri test!

Questo non significa che dobbiamo gettare via i nuovi giocattoli. Significa semplicemente che dobbiamo affinare questi modelli per assicurarci che possano gestire le complessità dei modelli meteorologici reali. Sia GraphCast che NeuralGCM mostrano di poter catturare alcuni processi atmosferici vitali, ma c'è ancora molta strada da fare.

Se consideriamo di integrare uno dei due modelli nel sistema di assimilazione dei dati, dobbiamo assicurarci che non introducano rumore indesiderato o risposte errate alle perturbazioni. Altrimenti, rischiamo di rendere le nostre previsioni meno affidabili, portando a potenziali fallimenti nelle previsioni, come prevedere sole in un giorno in cui sta effettivamente piovendo a dirotto.

#Conclusione: La strada da percorrere

In sintesi, mentre i modelli di machine learning come GraphCast e NeuralGCM mostrano potenziale, attualmente hanno diverse peculiarità che necessitano di essere affrontate prima che possano essere usati in modo affidabile nelle previsioni meteorologiche.

Le difficoltà matematiche con il rumore e il realismo fisico evidenziano le sfide che ci attendono. Dobbiamo ottimizzare questi modelli, assicurandoci che prevedano i modelli di tempo in modo accurato senza perdere di vista le leggi fisiche della natura. Quindi, finché non affiniamo questi modelli e ci assicuriamo che si integrino bene, potremmo continuare a utilizzare il nostro affidabile classico MPAS-A per il momento.

Ma chi lo sa? Con qualche miglioramento, i nostri nuovi amici in ML potrebbero eventualmente unirsi ai migliori predittori del tempo, fornendo previsioni che ci permettano di lasciare l'ombrello a casa senza paura di bagnarci.