Numeričko prognoziranje vremena (engl. Numerical Weather Forecasting – NWP) ključni je doprinos modernoj meteorologiji, razvijajući se od 1920-ih. Lewis Fry Richardson je 1922. predstavio ideju predviđanja vremenskih procesa kroz matematičke izračune, postavljajući temelje NWPa. Međutim, nedostatak računalne snage ograničio je primjenu njegovih metoda do sredine 20. stoljeća. Pravi napredak NWPa dogodio se 1950-ih s razvojem računalne tehnologije. Znanstvenici poput Johna von Neumanna i Julea Charneya uspješno su primijenili Richardsonove teorije, koristeći ranu računalnu tehnologiju za rješavanje atmosferskih jednadžbi. Ovo je dovelo do točnijih prognoza i razvoja sofisticiranijih meteoroloških modela. Danas, NWP koristi napredne algoritme i superračunala, integrirajući satelitske, radarske i zemaljske podatke za stvaranje detaljnih atmosferskih simulacija. NWP je postao neophodan znanstveni alat za svakodnevno planiranje, pripremu za ekstremne vremenske uvjete i proučavanje klimatskih promjena.
Sredinom listopada 2022. u novom računalnom postrojenju Europskog centra za srednjeročnu prognozu vremena (engl. European Centre for Medium-Range Weather Forecasts – ECMWF) smještenom u Bolonji (Italija), započeo je operativni rad najmodernije inačice Integriranog sustava prognoziranja (engl. Integrated Forecasting System – IFS). Svakog dana 4 puta, superračunala u tom centru putem najsofisticiranijih matematičkih rješenja računaju stanje atmosfere na cijeloj planeti za nekoliko tjedana unaprijed i time omogućuju pristup najtočnijim operativnim vremenskim prognozama do današnjeg dana.
IFS i srodni sustavi u SAD, Japanu, Kini i drugdje predstavljaju doista spektakularna dostignuća moderne tehnologije i znanosti. Dinamika atmosfere spada među najkompleksnije fizikalne sustave na planeti i proračun iste unaprijed nije nimalo lagan zadatak. Proračuni se temelje na rješavanju nelinearnih parcijalnih diferencijalnih jednadžbi, tzv. primitivnih jednadžbi, koje opisuju temeljne fizikalne zakone na kojima počiva ponašanje atmosfere. Ove jednadže nije moguće riješiti analitički pa se za taj zadatak koriste superračunala. Matematički modeli dinamike atmosfere i fizikalnih procesa kroz različite eksplicitne i parametrizacijske pristupe, temeljem znanstvenih spoznaja, pružaju sve detaljnije i točnije simuliranje procesa u atmosferi, oceanu i na/u tlu. Za ove izračune nužni su golemi računalni resursi, ako se oni provode za cijelu planetu odjednom s dovoljnom prostornom detaljnošću. Upravo porast računalnih kapaciteta omogućuje NWP modelima snažan porast točnosti. Danas uz dostupnost najsnažnijih računalnih klastera na svijetu, sustavi poput ECMWF-ovog IFS u stanju su izračunati meteorološke parametre za mnogo dana, pa i tjedana unaprijed, s donedavno nezamislivom točnosti.
I dok se današnji NWP modeli koriste svim mogućim mjerenjima stanja atmosfere u trenutku koji se naziva inicijalnim, tj. na osnovi koje se stvara matematički model početnog stanja atmosfere, kao temelj za izračun budućeg stanja, povijesni podaci nisu iskoristivi u ovakvim metodama. Ogromne arhive povijesnih mjerenja i računalnih reanaliza vremenskih procesa, kao što je primjerice ECMWFov MARS ili NCARov Research Data Archive (RDA), nisu u mogućnosti poboljšati izračune tradicionalnih NWP prognoza. Zbog toga, znanstvenici traže i druge pristupe prognoziranju vremena i čini se da upravo ova godina predstavlja ogromnu prekretnicu na tom polju.
Vremenska prognoza putem strojnog učenja (engl. Machine learning-based weather prediction, MLWP), odnedavno predstavlja alternativu tradicionalnim NWP metodama, gdje se prognostički modeli obučavaju izravno iz povijesnih podataka. Tako obučeni modeli imaju potencijal da vrlo točno nauče atmosferske obrasce i njihove promjene u vremenu, uključujući one pojave koje je vrlo teško simulirati tradicionalnim NWP sustavima. MLWP također ima općenito mnogo veću efikasnost izračuna jer može koristiti specijaliziran hardver za duboko učenje umjesto superračunala, što daje mnogostruko brži izračun budućeg stanja atmosfere u usporedbi s NWP rješenjima. U nekoliko objavljenih radova pokazano je kako su MLWP metode u stanju dati bolja rješenja od NWP sustava, npr. u neposrednoj prognozi oborine korištenjem radarskih osmatranja. Takve vrlo kratkoročne, neposredne (engl. nowcasting) prognoze su lagana zadaća za MLWP sustave. Primjer za takve sustave je MetNet model (aktualna inačica v3), čiji produkti su već “ugrađeni” u pojedine Googleove servise za vremenske prognoze.
Donedavno, srednjeročna prognoza (npr. 10 dana unaprijed) je ipak ostala u domeni tradicionalnih NWP modela gdje su oni pružali neusporedivo bolje rezultate od MLWP metoda. Najbolji svjetski sustav za determinističku srednjoročnu prognozu, danas je ECMWFov High REsolution forecast (HRES), komponenta je sustava IFS koja izrađuje globalne prognoze na mreži od 0,1×0,1°. Tijekom zadnjih nekoliko godina, MLWP metode za srednjeročno prognoziranje kontinuirano pokazuju napredak. Algoritmi dubokog učenja koji se temelje na konvolucijskim neuralnim mrežama i Transformerima, pokazali su obećavajuće rezultate na mrežama grublje razlučivosti od 1×1°. Noviji radovi koji koriste neuronske mreže na grafovima (engl. graph neural networks, GNN), Fourierove neuronske operatore (engl. Fourier neural operators) te transformere (engl. Transformers), pokazuju performanse u smislu točnosti koje se jako približavaju IFS-ovim rezultatima i to na finijim mrežama od 1°, pa sve do 0,25° i sve to za tjedan dana unaprijed.
Ove godine s eksperimentalnim je radom započelo nekoliko novih i izrazito perspektivnih MLWP modela. To su primjerice Googleov “GraphCast”, Nvidijin “FourCastNET”, Huaweijev “Pangu-Weather”, te ECMWFov “AIFS”, a tu su i “FengWu”, “FuXi” i drugi, svi redom razvijani u posljednjih godinu dana. Svi se ovi modeli zasnivaju na dubokom učenju atmosferskih obrazaca na osnovi ogromne količine povijesnih podataka iz reanaliza. Googleov DeepMind GraphCast model računa 10-dnevnu prognozu vremena na cijeloj planeti za svega jednu minutu što je u kontekstu tradicionalnih NWP sustava nezamisliva efikasnost.
GraphCast model je obučen na višedesetljetnim podacima ERA5 reanaliza. Za operativnu 10-dnevnu prognozu, uzima kao inicijalne parametre identične podatke kao i NWP model. Dapače, u kolaboraciji s ECMWF u testnom režimu rada, GraphCast koristi ECMWFovu 4D-var asimilaciju podataka za kreiranje početnog stanja atmosfere. Osim početnog stanja, MLWP modelu je potrebno i stanje 6 sati ranije. Temeljem razlika između ta dva trenutka, te naučenih pravilnosti na osnovi obuke na ERA5 reanalizi, model predviđa stanje atmosferskih parametara za 6 sati unaprijed u odnosu na inicijalno stanje. Autoregresivnom metodom model nastavlja prognozirati dalje u budućnost u koracima po 6 sati pri čemu za početno stanje svakog sljedećeg koraka koristi svoju vlastitu prognozu iz prethodnog koraka. GraphCast u aktualnoj eksperimentalnoj inačici radi na mreži od 0,25×0,25°.
Aktualna inačica temelji se na GNN konfiguraciji sa 36,7 milijuna parametara. U fazi obuke modela korišteno je 39 godina (1979-2017) reanalize iz ERA5 sustava. Trajanje obuke modela iznosilo je oko 4 tjedna na 32 instance Googleovog Cloud TPU (Tensor Processing Unit) v4. U analizi točnosti koja je obavljena predikcijom perioda iza 2018 (period izostavljen iz podataka obuke koji se koristi za testiranje točnosti), GraphCast je pokazao bolju točnost od ECMWFovog HRES modela u preko 90% od testnih 1380 varijabli i prognostičkih termina. Zanimljivo je napomenuti da je usporedba ova dva modela na visinama 6-20 kilometara iznad tla pokazala bolju točnost GraphCast modela u čak 99,7% testnih varijabli. Sve to uz neusporedivo manju potrošnju računalnih resursa kao i samo trajanje izračuna.
ECMWFov AIFS (Artificial Intelligence/Integrated Forecasting System) je još jedan iznimno perspektivan MLWP model koji pokazuje usporedive rezultate s Googleovim GraphCast modelom, a trenutačna inačica radi na nešto manjoj rezoluciji mreže (oko 1°). Kao i Googleov model, i AIFS koristi neuronsku mrežu na grafovima za obuku.
Googleov GraphCast model je otvorenog koda koji se nalazi objavljen na Github-u. Objavljen rad u časopisu Science na kojem se većim dijelom temelji ova objava, možete pročitati ovdje, kao i proširenu verziju na 102 stranice, ovdje. Doista je impresivno da su svi ovi modeli razvijeni u vrlo kratkom vremenu i već sad postižu rezultate usporedive ili bolje od najboljih determinističkih NWP modela. Aktualne prognoze koje se temelje na MLWP sustavima, izrađene od strane ECMWF, mogu se pratiti u njihovoj sekciji eksperimentalnih modela strojnog učenja. Gotovo je sigurno da su MLWP sustavi budućnost meteorologije i klimatologije, kao i znanstvenih istraživanja ovih grana. Vrlo smo optimistični po tom pitanju i s nestrpljenjem očekujemo nove vijesti na ovome polju. Nije zgorega napomenuti da i MeteoAdriatic razvija svoj vlastiti AI prognostički model već nekoliko mjeseci. Očekujte stoga i naš mali doprinos ovoj tematici.
