«`html
Продвижение в области машинного обучения для прогнозирования погоды
ML модели в погодных прогнозах
ML модели все чаще используются в прогнозировании погоды, предлагая точные прогнозы и снижая вычислительные затраты по сравнению с традиционными численными моделями прогнозирования погоды (NWP). Однако у существующих ML моделей часто есть ограничения, такие как грубое временное разрешение (обычно 6 часов) и узкий набор метеорологических переменных, что может ограничить их практическое использование. Точный прогноз является ключевым для секторов возобновляемой энергии, авиации и морских перевозок. Несмотря на достижения, ML модели все еще сталкиваются с проблемами связанными с непрерывностью и временным разрешением прогнозов. Хотя некоторые модели сделали успехи в точности и эффективности, улучшение их временной детализации и включение более широкого набора метеорологических переменных остается вызовом.
FuXi-2.0: новейшая ML модель для глобального погодного прогнозирования
Исследователи из Университета Фудан и Шанхайской академии искусственного интеллекта представили FuXi-2.0, передовую ML модель для глобального прогнозирования погоды, которая предоставляет прогнозы с временным разрешением в 1 час и охватывает широкий спектр метеорологических переменных. FuXi-2.0 превосходит высокоразрешенные прогнозы Европейского центра по среднесрочному прогнозированию погоды (ECMWF) в ключевых областях, таких как прогнозирование ветровой энергии и интенсивность тропических циклонов. Модель интегрирует атмосферные и океанические компоненты, предлагая улучшенную точность по сравнению с ее предшественником, FuXi-1.0, и другими моделями, такими как Pangu-Weather. Повышенное временное разрешение FuXi-2.0 и обширный набор переменных значительно продвигают практические приложения прогнозирования погоды.
Применение FuXi-2.0
Исследование использует набор данных переанализа ERA5 от ECMWF, который предоставляет часовые метеорологические данные с пространственным разрешением примерно 31 км, начиная с января 1950 года. Для этого исследования были использованы два поднабора данных ERA5: один охватывал период с 2012 по 2017 год для обучения модели 6-часовых прогнозов, а другой – с 2015 по 2017 год для модели 1-часовых прогнозов. FuXi-2.0 прогнозирует 88 метеорологических переменных, включая верхние слои атмосферы и поверхностные переменные, с дополнительными статическими и временными кодировками географической информации. В обучении модели использовались сброс накопленных переменных до нуля для соответствия рабочим условиям и установка океанических переменных в NaN при необходимости. Для прогнозирования ветровой энергии также использовались данные с ветряных ферм в Великобритании и Южной Корее, включая меры контроля качества для обеспечения точности.
Преимущества FuXi-2.0
FuXi-2.0 представляет двухмодельную систему для непрерывных 1-часовых прогнозов, интегрируя первичную модель для 6-часовых прогнозов и вторичную модель для часовой интерполяции. Эта архитектура повышает надежность и эффективность по сравнению с предыдущими моделями. 6-часовая модель обрабатывает данные через сверточные слои и блоки Swin Transformer, в то время как 1-часовая модель генерирует часовые прогнозы в пределах 6-часового окна. В обучении использовалась прочная функция потерь Шарбонье и проводилась обширная итерация на кластере графических процессоров. Прогнозирование ветровой энергии проводилось с использованием MLP модели, сфокусированной на прогнозах на следующий день. Метрики оценки включали RMSE, ACC и активность прогнозов/наблюдений, при этом для сравнения производительности модели использовались нормализованные различия.
Оценка прогнозов FuXi-2.0
Исследование оценивает 1-часовые прогнозы FuXi-2.0 на данных за 2018 год, сравнивая его производительность с ECMWF HRES и Pangu-Weather. FuXi-2.0 демонстрирует высокую точность в переменных, важных для прогнозирования погоды, таких как температура и скорость ветра, превосходя ECMWF HRES по корневой среднеквадратичной ошибке (RMSE) и коэффициенту корреляции аномалий (ACC) на большинстве временных отрезков прогноза. Его прогнозы более детальны, чем у Pangu-Weather, и имеют лучшие показатели активности. Кроме того, прогнозы ветровой энергии FuXi-2.0 для ветряных ферм и прогнозы интенсивности тропических циклонов более точны, чем у ECMWF HRES, что демонстрирует улучшенные возможности прогнозирования.
Заключение
Недавние успехи в области ML для прогнозирования погоды привели к тому, что модели превзошли ECMWF HRES в точности глобального прогнозирования. Эти ML модели обычно предлагают временное разрешение 6 часов и пространственное разрешение 0,25°, но ограничены своим фокусом на базовые метеорологические переменные. Модель FuXi-2.0 устраняет эти ограничения, предоставляя 1-часовые прогнозы и включая более широкий набор переменных, важных для секторов ветровой и солнечной энергии, авиации и морских перевозок. FuXi-2.0 превосходит ECMWF HRES и интегрирует атмосферные и океанические данные для улучшенных прогнозов тропических циклонов. Будущие улучшения включают более высокие пространственные разрешения, добавление переменных и улучшение точности прогнозов осадков.
Проверьте статью. Вся заслуга за это исследование принадлежит его исследователям. Также не забудьте подписаться на наш Твиттер и присоединиться к нашему каналу в Телеграме и группе в LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка..
Не забудьте присоединиться к нашему 50k+ ML SubReddit
БЕСПЛАТНЫЙ ВЕБИНАР ПО ИИ: ‘SAM 2 для видео: Как настроить на ваши данные’ (Ср, 25 сентября, 4:00 — 4:45 по Восточному времени)
Пост FuXi-2.0: Продвижение в области машинного обучения для практических применений на MarkTechPost.
Применение искусственного интеллекта в продажах и маркетинге
Развитие бизнеса с помощью искусственного интеллекта
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте FuXi-2.0: Продвижение в области машинного обучения для практических применений.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями об ИИ в нашем Телеграм-канале https://t.me/aisalesbotnews
Попробуйте AI Sales Bot https://saile.ru/. Это AI ассистент для продаж, он помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить процесс продаж в вашей компании с решением от saile.ru будущее уже здесь!
«`
