"De senaste åren har vi sett stora framsteg inom artificiell intelligens och maskininlärning för väderprognoser", berättar doktorand Joel Oskarsson. När maskininlärningsmodeller tar fram väderprognoser blir prognoserna likvärdiga eller till och med bättre än de traditionella systemen.

MolnFoto taget på moln vid Borgholm av Carl Tronders, Unsplash.

Klimatforskare har tagit fram stora samlingar med data över väder och klimat som andra forskare sedan använt för att träna så kallade djupinlärningsmodeller. Maskininlärningsmodellerna för väderprognoser är därför helt datadrivna till skillnad mot traditionella väderprognossystem som är baserade på fysik. Med maskininlärningsmodellerna går det mycket snabbare att skapa en prognos och de kräver betydligt mindre beräkningsresurser.

Ett av de senaste stora stegen framåt inom väderprognoser är Google Deepmind's GraphCast-modell. GraphCast bygger på så kallade grafnätverk, Graph Neural Networks (GNN), som använder djupinlärning för att dra slutsatser. GNN tar emot data presenterad som en graf och analyserar grafens förgreningspunkter och kanter för att sedan lösa problem och göra förutsägelser med hjälp av tolkningen. GraphCast konstruerar en graf runt hela jorden som sedan används för att förutsäga väder.

Joel Oskarsson, doktorand på Institutionen för datavetenskap på Linköpings universitet, har med sin handledare Fredrik Lindsten och forskare Tomas Landelius på SMHI tagit fram en regional variant av GraphCast.

– Istället för att titta på hela globen, har vi valt ett begränsat område över Norden. Modellen har sedan tränats på prognosdata från SMHI. Vi har även utökat modellen för att definiera en så kallad hierarkisk grafstruktur och det har gett oss prognoser som ser bättre ut, säger Joel Oskarsson.

Generellt finns ett stort intresse för den här typen av datadrivna regionala modeller, speciellt från Europas meteorologiska institut. Särskilt intressant är kombinationer av de regionala modellerna med de stora globala modellerna, berättar Joel Oskarsson.

Fördjupad läsning

 

Sara Läthén, 14 december 2023. 

Mer om AI vid LiU