1分で10日間の世界の天気を予測します！ Google DeepMindの新しいAI天気予報がScienceに掲載され、業界のSOTAを圧倒

1分以内に、10日間の高精度な世界天気予報が提供されます。

ChatGPT に続いて、別の AI モデルの機能が再び世界を驚かせました。

15日から10日間の世界の気象状況

Google DeepMindチームが新しい地球規模の天気予報モデル「GraphCast」を提案し、最新の研究が『Science』誌に掲載されました。

写真

論文アドレス: https://www.science.org/doi/10.1126/science.adi2336

現在主流となっている天気予報の方法は「数値天気予報」（NWP）ですが、これは複雑なアルゴリズムを使用して物理方程式を解くもので、時間と費用がかかります。

ディープラーニング モデル GraphCast は、時間の経過に伴う気象の変化を理解するために、欧州中期気象予報センター (ECMWF) の約 40 年分のデータを使用してトレーニングされました。

写真

調査の結果、業界のゴールドスタンダード気象シミュレーションシステムである高解像度予報 (HRES) と比較して、GraphCast はテストされた 1,380 個の変数の 90% 以上を正確に予測したことがわかりました。

さらに、GraphCast は悪天候を捉えるように訓練されていませんが、従来の予測モデルよりも早く悪天候を特定することができます。

GraphCast は、従来の方法よりも最大 3 日早く将来のサイクロンの潜在的な進路を予測できます。

将来のサイクロンを予測する

また、洪水リスクに関連する大気河川を特定し、極端な気温の発生を予測することもできます。

極端な気温と大気河川の予測

自然の容赦ない災害に直面して、GraphCast は事前に正確で効率的な警告を提供することで、天気予報の分野で AI を再び前進させました。

写真

サイクロン追跡 (左): サイクロンの動きを予測するリードタイムが長くなるにつれて、GraphCast は HRES よりも高い精度を維持します。

大気河川（右）：10日間の予報全体を通じて、GraphCastの予報誤差はHRESよりも大幅に低い

GraphCast モデルのソース コードが完全に公開されており、世界中の科学者や予報者が世界中の何十億もの人々に恩恵をもたらすことができることは特筆に値します。

写真

GraphCast の 10 日間の予測の一部。湿度、地表温度、および 700 hPa (地上約 3 km) の地表風速を示しています。

GraphCast: 世界で最も正確な天気予報モデル

先ほど述べた数値天気予報 (NWP) の従来の方法では、まず物理方程式を定義し、それをスーパーコンピューターで実行されるコンピューター アルゴリズムに変換する必要があります。

しかし、NWP の欠点は、方程式やアルゴリズムの設計に時間がかかり、正確な予測を行うには深い専門知識と高価なコンピューティング リソースが必要になることです。

写真

実は、ディープラーニングは、物理方程式ではなくデータを通じて天気予報システムを作成するという、異なるアプローチを提供しています。

GraphCast は、6 時間前の天気状況と現在の天気状況の 2 セットのデータのみを入力として必要とし、今後 6 時間の天気を予測します。

このプロセスは 6 時間単位で前進し、最大 10 日先までの最先端の予報を提供します。

写真

GraphCast の背後には、合計 3,670 万のパラメータを持つ「エンコード-プロセス-デコード」構成の GNN に基づくニューラル ネットワーク アーキテクチャがあります。

写真

コード、重み、デモは、https://github.com/google-deepmind/graphcast で公開されています。

エンコーダー (下の D) は、単一の GNN レイヤーを使用して、入力グリッド上のノード属性として表される変数 (平均単位分散がゼロになるように正規化) を、内部の「マルチグリッド」表現上の学習されたノード属性にマッピングします。

マルチメッシュ (下の G) は、地球全体にわたって高い空間解像度を備えた空間的に均一なマップです。これは、正二十面体 (12 個のノード、20 個の面、30 個のエッジ) を 6 回繰り返して間引きすることで定義されます。間引きのたびに、各三角形が 4 つの小さな三角形に分割され (面とエッジが 4 倍に増加)、ノードが球上に再投影されます。

マルチグリッドには、最高解像度のグリッドからの 40962 個のノード (0.25° の緯度/経度グリッド ポイントの数の約 1/25) と、中間グラフで作成されたすべてのエッジの結合が含まれており、さまざまな長さの平面エッジの階層を形成します。

写真

プロセッサ (図 E) は、16 個の共有されていない GNN レイヤーを使用してマルチグリッド上で学習メッセージ パッシングを実行し、非常に少ないメッセージ パッシング ステップで効率的なローカルおよび長距離の情報伝播を可能にします。

デコーダー (図 F) は、マルチグリッド表現から学習した最終的なプロセッサ レベルの機能を緯度と経度のグリッドにマッピングします。単一の GNN レイヤーを使用し、最新の入力状態の残差更新として出力を予測します (ターゲット残差の単位分散を達成するために出力を正規化します)。

以下は、GraphCast によってモデル化された気象変数とレベルです。

写真

研究者らは、多数の変数、レベル、リードタイムにわたって GraphCast の予測精度を HRES の予測精度と比較することにより、GraphCast の予測力を徹底的に検証しました。

彼らは、GraphCast、HRES、ML ベースラインのそれぞれのスキルを定量化するために、二乗平均平方根誤差 (RMSE) と異常相関係数 (ACC) という 2 つのスキル メトリックを使用します。

写真

上記の図 (a から c) は、RMSE スキル、RMSE スキル スコア (つまり、モデル A とベースライン B の正規化された RMSE 差、(RMSEA - RMSEB) / (RMSEB) として定義)、および Z500 (高度 500 hPa) の「見出し」フィールドでの ACC スキルに関して、GraphCast (青線) が HRES (黒線) よりも優れていることを示しています。

気象学における Z500 の重要性のため、文献では同期スケールの圧力分布を表すために Z500 を使用するのが一般的です。グラフを見ると、GraphCast はすべてのリードタイムでスキル スコアが高く、スキル スコアが約 7% ～ 14% 向上していることがわかります。

上の図 D は、ECMWF スコアカードと同様の形式で、10 日間の予報における評価された 1,380 個のすべての変数とストレス レベルの RMSE スキル スコアをまとめたものです。

セルの色はスキル スコアに比例しており、青は GraphCast のスキルが優れていることを示し、赤は HRES のスキルが高いことを示します。

GraphCast は、1380 個のターゲットのうち 90.3% で HRES を上回り、89.9% のターゲットで HRES を大幅に上回りました (p ≤ 0.05、名目サンプル サイズ n ∈ {729、730})。

50 hPa レベルを除外すると、GraphCast は残りの 1280 個のターゲットの 96.9% で HRES を大幅に上回ります。 50 hPa および 100 hPa レベルを除外すると、GraphCast は残りの 1180 個のターゲットの 99.7% で HRES を大幅に上回ります。

異常気象警報、ハリケーン発生は9日前に確定

研究者の分析では、GraphCast は悪天候の発生を予測するように訓練されていないにもかかわらず、従来の予測モデルよりも早く悪天候の発生を特定できることも示されました。

これは、GraphCast が特別にトレーニングされたわけではないが、人間にとって非常に重要な重要なダウンストリーム アプリケーションです。

これは、GraphCast が人類が事前に異常気象に備え、嵐や異常気象が地域社会に与える影響を軽減するのに役立つことを示しています。

GraphCast 予報にシンプルなサイクロン トラッカーを直接適用することで、新しいモデルは HRES モデルよりも正確にサイクロンの動きを予測できます。

今年 9 月、Google が ECMWF ウェブサイトに展開した GraphCast モデルのリアルタイム公開バージョンは、ハリケーン リーがノバスコシア州に上陸することを約 9 日前に正確に予測しました。

写真

対照的に、従来の予報では上陸場所と時間の変動が大きく、ノバスコシア州では約6日前までしか確定できない。

GraphCast は、大気河川 (大部分の水蒸気を熱帯以外の地域に輸送する大気中の狭い領域) を特徴付けることもできます。

大気河川の強さは、有益な降雨をもたらすか、洪水を引き起こすかを示します。 GraphCast の予測は、大気河川の特性を判断するのに役立ち、洪水を予測する AI モデルと組み合わせて緊急時計画に役立ちます。

写真

地球温暖化の観点から、極端な気温を予測することの重要性は日々高まっています。 GraphCast は、地球上の特定の場所の最高気温が過去の最高気温を超える時期を説明できます。

これは、ますます頻繁に発生している破壊的かつ危険な現象である熱波を予測するのに特に役立ちます。

写真

熱帯低気圧の追跡精度を向上させることで、人命の損失を回避し、経済的損失を軽減することができます。上の図 A は、GraphCast の 2018 年から 2021 年までの追跡誤差の中央値が HRES よりも低いことを示しています (中央値は外れ値に抵抗するために選択されています)。

HRES と GraphCast のトラックごとのエラーは相関関係にあるため、研究者らは 2 つのモデル間のトラックごとのペアワイズ エラーの差も測定し、18 時間から 4.75 日間のリード タイムで GraphCast が HRES を大幅に上回っていることを発見しました。

大気河川は、中緯度から極地への水蒸気輸送の大部分を担う大気の狭い領域であり、米国西海岸の年間降水量の 30% ～ 65% を生み出しています。その強度は、垂直に統合された水蒸気輸送 IVT によって特徴付けられ、大気現象が有益な降水をもたらすか、壊滅的な被害を引き起こすかを示します。

上の図 C は、GraphCast が HRES と比較して IVT の予測を短いリード タイムで 25%、より長い時間範囲で 10% 向上させたことを示しています。

極端な暑さや寒さは、通常の気候に比べて大きな異常を特徴とし、危険を及ぼし、人間の活動を妨害する可能性があります。

研究者らは、HRES と GraphCast が場所、時間帯、月ごとに気候学的イベントの上位 2% を予測する能力を評価しました。

図 D は、5 日間および 10 日間のリード タイムで GraphCast の精度 - 再現率曲線が HRES よりも高いことを示しています。これは、GraphCast が一般に、より長い時間範囲で極端なカテゴリを予測する際の HRES よりも優れていることを示しています。

対照的に、HRES は 12 時間のリードタイムでより優れた適合率と再現率を示しており、これは図 D に示すように、GraphCast の 2T スキル スコアが HRES に比べてゼロに近いことと一致しています。

AI天気予報の未来は何十億もの人々に利益をもたらすだろう

Google DeepMind は、GraphCast は世界で最も正確な 10 日間の世界天気予報システムであり、これまでよりもずっと先の未来の異常気象を予測できると主張しています。

気候の変化に伴い気象パターンが進化するにつれ、より高品質なデータが利用可能になり、GraphCast は成長し、改善していきます。

同時に、Google はモデルのコードもオープンソース化しました。将来的には、特定の気象現象に合わせてモデルをカスタマイズしたり、世界のさまざまな地域に合わせてモデルを最適化するなど、他の研究者もこの研究によって開かれた可能性を活用することを期待しています。

写真

現在、ECMWFを含む気象機関はGraphCastのリアルタイム実験を実施しています。

さらに、GraphCast は、Google DeepMind や Google Research の最先端の天気予報システムとともに天気予報にも使用されています。

これらには、90 分先の予報を行う地域モデル Nowcasting や、米国とヨーロッパで運用され、他のどのシステムよりも正確な 24 時間予報を作成する地域気象予報モデル MetNet-3 が含まれます。

天気予報に AI を活用する先駆者となれば、何十億もの人々の日常生活に恩恵がもたらされるでしょう。

しかし、グーグルは「我々の幅広い研究は天気を予測するだけではなく、人間の気候のより広範なパターンを理解することだ」と述べた。

Google は、新しいツールを開発し、研究を加速させることで、AI が世界社会に最大の環境課題への取り組みの力を与えることを期待しています。

写真

研究紹介を読んだネットユーザーたちは、「Googleさん、早くアプリをリリースしてください！」と言った。

写真

天気予報機能に関しては、多くのネットユーザーが、今では各道路レベルまで詳細かつ分単位の正確な予報が期待できると述べている。

写真

参考文献:

https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting

https://www.nature.com/articles/d41586-023-03552-y