Euroopan keskipitkän aikavälin sääennustekeskus (ECMWF) on ottanut käyttöön uuden koneoppimisella toimivan sääennustejärjestelmän (AIFS).
Monikansallinen ECMWF sanoo AIFS:n olevan jopa 1000 kertaa energiatehokkaampi ja selkeästi nopeampi kuin tavanomaiset fysiikkamallit. Mallin käyttöönotto ei kuitenkaan tarkoita tavanomaisten metodien hylkäämistä, vaan AIFS toimii fysiikkamallien rinnalla innovatiivisena vaihtoehtona.
”Koemme AIFS:n ja [tavanomaiseen fysiikkamallinnukseen perustuvan] IFS:n täydentävän toisiaan ja olevan osa laajempaa tuotevalikoimaa käyttäjäkunnallemme, joka voi päättää itse, mikä sopii parhaiten heidän tarpeisiinsa”, ECMWF:n palvelujohtaja Florian Pappenberger kommentoi uutista.
Pappenbergerin mukaan menee aikaa, että järjestelmä saavuttaa täyden potentiaalinsa. Hän odottaa yhteistyötä eri toimijoiden kanssa vastatakseen näiden tarpeisiin uuden mallin suhteen.
Koneoppimisen käyttöönotto jatkuu – ja syystä
AIFS:n tuottamat tulokset ovat erittäin lupaavia. ECMWF:n mukaan uuden koneoppimismallin tarkkuus on tietyissä käyttökohteissa jopa tavanomaisia fysiikkamalleja parempi.
AIFS käyttää taustalla GNN-teknologiaa eli graafidataa käsittelevää neuroverkkoa, jonka syöte on säätä ennustavien koneoppimismallien keskuudessa “laajin tähän mennessä saatavilla oleva parametrivalikoima”, ECMWF kertoo.
Esimerkiksi vaarallisten matalapainevyöhykkeiden (sykloni) ennustamisessa tuore GNN-malli on ECMWF:n mukaan jopa 20 prosenttia tavanomaista tarkempi.
Yhdistelmä energiatehokkuutta, nopeutta ja tarkkuutta konkretisoi ilmastomallinnuksen ja koneoppimisen tulevaisuudennäkymiä. Historiallisesti sääennusteet ovat perustuneet laskennallisiin fysiikkamalleihin, jotka simuloivat ilmakehää yhtälöiden kautta.
Kyseiset perinteiset mallit vievät kuitenkin valtavasti laskentatehoresursseja ja energiaa yhtälöiden ratkaisemiseen.
Koska AIFS perustuu yhtälöiden ratkaisemisen sijaan valmiiksi opittuun kaavantunnistukseen, tehokkuushyödyt ovat valtavat.
Mallissa on kuitenkin yhä puutteita, kuten tavanomaisia malleja karkeampi jaottelu eri sääalueiden välillä.
Koneoppimismallit toimivatkin joihinkin ennusteisiin parempiin kuin toisiin. Tammikuisessa raportissaan ECMWF totesi, että esimerkiksi lämpötilan ennustamisessa AIFS ei ole yhtä hyvä kuin organisaation tavanomainen IFS-malli.
Jo vuosikymmenien ajan kehitetyt perinteiset fysiikkamallit tarjoavat luotettavan vertailukohdan uusille koneoppimismalleilla ja samalla ylläpitävät konkreettista yhteyttä fysiikan ja ennusteiden välillä.
Tunnetusti eräs suuri ongelma koneoppimismallien käyttöönotossa onkin niiden toiminnan monimutkaisuus, joka tekee tulosten täsmällisestä perustelemisesta mahdotonta.
Avoimuus hyödyttää monia
AIFS:n julkaisu on merkittävä uutinen osittain siksi, että sen ennusteet ovat vapaasti kaikkien saatavilla.
Ennusteita voivat hyödyntää esimerkiksi meteorologit, tutkijat ja erilaiset teollisuudenalat, kuten energiateollisuus (tuuli- ja aurinkoenergian ennakointi).
Tarkat sääennusteet ovat tärkeitä myös muun muassa merikuljetuksien turvaamisessa, maatalouden optimoinnissa ja katastrofeihin varautumisessa.
Kehitys ilmaston ennustamiseen liittyvässä teknologiassa on erityisen tärkeää sääilmiöiden muuttuessa radikaaleimmiksi ilmastonmuutoksen seurauksena.
Onneksi AIFS ei ole ainoa neuroverkko, jolla voidaan ennustaa säätä tehokkaasti. Esimerkiksi Google DeepMindilta löytyy omasta takaa GraphCast-ennustemalli.
Kuitenkin käytännössä kaikki vastaavat koneoppimismallit on koulutettu ECMWF:n keräämällä datalla, Financial Times kirjoittaa.
ECMWF:ää rahoittavat kymmenet Euroopan valtiot. Myös Suomi kuuluu organisaation jäsenmaihin.