U svibnju 2026., Janni Yuval, istraživač iz Google Researcha, predstavio je NeuralGCM, revolucionarni model koji kombinira fizičko modeliranje i neuronsku mrežu treniranu na NASA-inih promatranjima padaline kako bi poboljšao simulacije globalne padaline. Ovaj model posebno je dobar u simuliranju dnevnog ciklusa padaline i ekstremnih događaja, što ga čini važnim alatkom za poljoprivrednike, urbaniste i druge zainteresirane strane.
Što je NeuralGCM i zašto je važan?
Precipitacija ostaje jedan od najtežih zadataka za globalne vremenske i klimatske modele. To je zbog toga što točno gdje, kada i koliko će padati ovisi o seriji događaja koji se dešavaju na razinama koje su obično ispod rezolucije modela. Simuliranje padaline je posebno izazovno za ekstremne događaje i dugačka vremenska razdoblja. Bilo da je u pitanju poljoprivrednik koji želi znati koji dan sjetiti sjemenke kako bi optimizirao žetvu ili gradski planer koji želi pripremiti grad za 100-godišnji olujni događaj, vremenske prognoze su neke od najrelevantnijih za ljude.
Prošle godine, predstavili smo NeuralGCM, naš otvoreni izvorski hibridni atmosferski model koji kombinira strojno učenje (ML) i fiziku kako bi pokrenuo brze, efikasnije i točnije globalne atmosferske simulacije. U članku iz 2024. godine, NeuralGCM je generirao točnije vremenske prognoze od 2 do 15 dana i reproducirao historijske temperature tijekom četiri desetljeća s većom preciznošću od tradicionalnih atmosferskih modela, što predstavlja značajan korak prema razvoju pristupačnijih klimatskih modela.
Sada, u članku “Neural general circulation models for modeling precipitation” objavljenom u Science Advances, opisujemo kako je NeuralGCM treniran na satelitskim promatranjima padaline kako bi postigao poboljšane simulacije padaline. Na trenutačnoj rezoluciji od 280 km, vidimo poboljšanja u odnosu na vodeći operativni model za srednjoročne vremenske prognoze (do 15 dana) i atmosferske modele koji se koriste za multi-dekadne klimatske simulacije. Naš model točnije reproducira prosječnu padalinu, ekstremne padaline – s značajnim poboljšanjima za vrh 0,1% padaline – i dnevni vremenski ciklus.
Kako NeuralGCM radi?
NeuralGCM je dio šireg napora za napredovanje vremenske i klimatske znanosti unutar Earth AI. Kao hibridni model koji kombinira fiziku i AI kako bi se suprotstavio pitanjima dugačkog raspona, dopunjuje druge AI-isključivo vremenske modele, poput nedavno predstavljenog WeatherNext 2 ažuriranja od naših Google kolega.
NeuralGCM koristi hibridni okvir koji kombinira tradicionalni fluidni dinamički rješivač (siva kugla) za velike skale procesa s AI neuronskim mrežama (karikatura kutija i kišobran) za male skale fizike, poput oblaka, zračenja i padaline.
Izazovi oblaka
Da bismo simulirali padalinu, moramo ići do njenog izvora: oblaka. Oblaci mogu postojati na razinama manjim od 100 metara, veličine atletskog igrališta – daleko ispod kilometarske rezolucije globalnih vremenskih modela ili desetkilometarske rezolucije globalnih klimatskih modela. Oblaci dolaze u različitim vrstama, brzo se mijenjaju, a složena fizika koja se dešava čak i na manjim razinama može generirati kapljice vode ili ledeni kristali. Sva ova složenost je nemoguće za velike skale modela riješiti ili izračunati.
Da bismo računali utjecaj malih skala atmosferskih procesa kao što je formiranje oblaka na klimu, modeli koriste aproksimacije, zvane parametrizacije, koje su bazirane na drugim varijablama. Umjesto da ovisimo o ovim parametrizacijama, NeuralGCM koristi neuronsku mrežu da nauči efekte takvih malih skala događaja iz postojećih vremenskih podataka.
Trening NeuralGCM-a
Poboljšali smo predstavljanje padaline u ovoj verziji našeg modela treniranjem ML dijela NeuralGCM-a direktno na satelitskim promatranjima padaline. Prvobitno ponuđenje NeuralGCM-a, kao i većina ML vremenskih modela, trenirano je na rekreacijama prethodnih atmosferskih uvjeta, tj. reanalizama, koje kombiniraju fizičke modele s promatranjima kako bi popunile praznine u promatranjima podataka. Ali fizika oblaka je tako složena da čak i reanalize ne uspijevaju dobiti padalinu na pravi način. Treniranje na izlazu iz reanaliza znači reprodukciju njihovih slabosti, primjerice na ekstremnim padalinama i dnevnom ciklusu.
Umjesto toga, trenirali smo padalinu NeuralGCM-a direktno na NASA-inim satelitskim promatranjima padaline koja se protežu od 2001. do 2018. godine. NeuralGCM-ov diferencijalni dinamički jezgrovni infrastrukturni omogućio nam je treniranje na satelitskim promatranjima. Prethodni hibridni modeli koji kombiniraju fiziku i AI mogli su koristiti samo izlaz iz visokofidelnog simuliranja ili reanalize podataka. Treniranjem AI dijela NeuralGCM-a direktno na visokokvalitetnim satelitskim promatranjima umjesto da ovisimo o reanalizama, efektivno smo pronašli bolju, strojno naučenu parametrizaciju za padalinu.
Zaključak
NeuralGCM predstavlja značajan korak naprijed u simuliranju globalne padaline. Njegova sposobnost točnog reprodukcija dnevnog ciklusa padaline i ekstremnih događaja čini ga neprocjenjivim alatkom za poljoprivrednike, urbaniste i druge zainteresirane strane. Njegova kombinacija fizičkog modeliranja i neuronskih mreža omogućuje mu da obuhvati složenosti malih skala atmosferskih procesa koje su tradicionalni modeli neuspješni u riješavanju.
Kao dio šireg napora za napredovanje vremenske i klimatske znanosti, NeuralGCM dopunjuje druge AI-isključivo vremenske modele i predstavlja budućnost u simuliranju globalne padaline.
Česta pitanja
Kako NeuralGCM poboljšava vremenske prognoze?
NeuralGCM poboljšava vremenske prognoze kombiniranjem fizičkog modeliranja i neuronskih mreža treniranih na satelitskim promatranjima padaline. Ovo mu omogućava da točnije reproducira dnevni vremenski ciklus i ekstremne događaje, što je ključno za točne vremenske prognoze.
Može li NeuralGCM biti korišten za lokalne vremenske prognoze?
Trenutačno, NeuralGCM je optimiziran za globalne vremenske prognoze i simulacije. Njegova rezolucija od 280 km može biti prevelika za lokalne vremenske prognoze, ali istraživanja i daljnji razvoj mogu potencijalno omogućiti njegovu primjenu na manjim razinama.
Koji su glavni izazovi u razvoju NeuralGCM-a?
Glavni izazovi u razvoju NeuralGCM-a uključuju obradu i integraciju malih skala atmosferskih procesa, kao što su oblaci, i treniranje modela na visokokvalitetnim satelitskim podacima. Također, integracija fizičkih modela i neuronskih mreža predstavlja tehnički izazov.
Kako NeuralGCM utječe na poljoprivredu?
NeuralGCM može pomoći poljoprivrednicima u donošenju informiranijih odluka o sjetvi i upravljanju resursima, poboljšavajući njihovu proizvodnju i efikasnost. Točnije vremenske prognoze mogu im pomoći u optimizaciji žetve i smanjenju gubitaka.
Može li NeuralGCM biti korišten za predviđanje klimatskih promjena?
Dok je NeuralGCM prvenstveno dizajniran za vremenske prognoze, njegova sposobnost točnog reprodukcija historijskih temperatura i klimatskih uvjeta može ga učiniti korisnim alatkom za studije o klimatskim promjenama. Daljnja istraživanja mogu potencijalno proširiti njegovu primjenu na predviđanje klimatskih promjena.
