Foto taget pÄ moln vid Borgholm av Carl Tronders, Unsplash.
Klimatforskare har tagit fram stora samlingar med data över vÀder och klimat som andra forskare sedan anvÀnt för att trÀna sÄ kallade djupinlÀrningsmodeller. MaskininlÀrningsmodellerna för vÀderprognoser Àr dÀrför helt datadrivna till skillnad mot traditionella vÀderprognossystem som Àr baserade pÄ fysik. Med maskininlÀrningsmodellerna gÄr det mycket snabbare att skapa en prognos och de krÀver betydligt mindre berÀkningsresurser.
Ett av de senaste stora stegen framÄt inom vÀderprognoser Àr Google Deepmind's GraphCast-modell. GraphCast bygger pÄ sÄ kallade grafnÀtverk, Graph Neural Networks (GNN), som anvÀnder djupinlÀrning 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 förutsÀgelser med hjÀlp av tolkningen. GraphCast konstruerar en graf runt hela jorden som sedan anvÀnds för att förutsÀga vÀder.
Joel Oskarsson, doktorand pÄ Institutionen för datavetenskap pÄ Linköpings universitet, har med sin handledare Fredrik Lindsten och forskare Tomas Landelius pÄ SMHI tagit fram en regional variant av GraphCast.
â IstĂ€llet för att titta pĂ„ hela globen, har vi valt ett begrĂ€nsat omrĂ„de över Norden. Modellen har sedan trĂ€nats pĂ„ prognosdata frĂ„n SMHI. Vi har Ă€ven utökat modellen för att definiera en sĂ„ kallad hierarkisk grafstruktur och det har gett oss prognoser som ser bĂ€ttre ut, sĂ€ger Joel Oskarsson.
Generellt finns ett stort intresse för den hÀr typen av datadrivna regionala modeller, speciellt frÄn Europas meteorologiska institut. SÀrskilt intressant Àr kombinationer av de regionala modellerna med de stora globala modellerna, berÀttar Joel Oskarsson.
Fördjupad lÀsning
- Joel Oskarsson, Tomas Landelius och Fredrik Lindstens artikel:
Google Deepmind's GraphCast-modell: - (Nature)
- (Science)
Om Deepminds modell, AI och vĂ€der samt mer om projektet â intervju med Tomas Landelius pĂ„ SMHI: - (Forsknings & Framsteg, bakom betalvĂ€gg/prenumerationsinlogg)
Sara LÀthén, 14 december 2023.
