Graphcast: modello previsionale Google basato su AI fino a 10 giorni

[Musin]

Aggiungo che essendo un sistema basato sui confronti col passato immagino che le mappe proposte siano semplicemente gli scenari più probabili, ma non sappiamo "quanto" più probabili. E quindi ce ne facciamo poco se non corredati da un sistema tipo ens o spaghetti.

[faggio58]

Ma veramente "tutti gli altri modelli" sono così coerenti emissione dopo emissione a 240 ore?

[burian br]

In sequenza 28 novembre 00 nei run 00 e 12 di ieri e 00 di oggi

Immagine


Immagine


Immagine



La storia è nota, l'unica cosa che cambia sono le condizioni iniziali di 12 ore in 12 ore. Per ora sarà pure più performante ma deve ancora imparare molto se le differenze sono queste.

Il modello sembrerebbe dagli studi più performante, ma non dobbiamo aspettarci un oracolo infallibile, al massimo qualcosa di meglio di ECMWF di una misura piccola ma significativa.

Questi i grafici dagli studi:

74033271-5CA7-4D54-B369-7A9642631413.jpeg

[Albert0]

essendo un sistema basato sui confronti col passato immagino che le mappe proposte siano semplicemente gli scenari più probabili, ma non sappiamo "quanto" più probabili. E quindi ce ne facciamo poco se non corredati da un sistema tipo ens o spaghetti.

Al contrario.
Un modello probabilistico sforna appunto probabilità. Il deterministico cerca di farlo con le ens ( e noi confrontando modelli e run), ma non è il suo mestiere. Ijvece, per costruzione, il risultato di un probabilistico è una serie di scenari con associata probabilità. Poi è eventuale scelta del gestore mostrarti solo il più probabile.
Forse in futuro per il long ci abitueremo a vedere più previsioni, corredate della loro probabilità.

[Albert0]

Mancano sempre però i dati futuri facciamo sempre analisi sulle basi di ciò che è stato medie e quant'altro

La analisi parte comunque dalla situazione attuale. Il problema può essere che ne trovi poche di simili in passato.
La variazione del clima è una difficolta aggiuntiva ma pensiamo alle cose base.
Si apre un mondo sul come definire simili due situazioni (ovvero produrre dei numeri che indicano la distanza tra i due scenari, come si dice in matematica costruire una metrica). A cosa dai più peso: temperatura, campo barico, altro? A quali quote? Questo è un campo tutto nuovo e siamo solo all inizio. Potrebbero servire anni per trovare ottime metriche.

[Marcoan]

Mi sa che non hai capito come funzionano Marco, i modelli come graphcast usano esattamente gli stessi dati reali in input dei GM, in particolare graphcast utilizza quelli di ECMWF.

Se ottengono risultati migliori o no lo vedremo dagli studi scientifici pubblicati in merito, per ora sembra che effettivamente siano superiori nonostante siano ancora in fase sperimentale.

Ok ,prendo atto ,grazie snow.

[snowaholic]

Mi chiedo perché sia necessario a priori criticare questo approccio, se lo studiano avranno trovato delle potenzialità. Anche a me sembra molto strano ma alla fine è un mezzo in più per la previsione, il determinismo difficilmente potrà raggiungere un livello di accuratezza molto maggiore di quello odierno, dato che le equazioni differenziali per un sistema non lineare come l'atmosfera sono soggette a modellizzazioni e approssimazioni, oltretutto con un processo che viene iterato per tutta la corsa del modello.

Studiare il comportamento atmosferico dal punto di vista statistico potrebbe aiutare a raggiungere previsioni più accurate, andando a cercare situazioni simili in database del passato, pure soggetti al limite delle approssimazioni.

È un po' quello che succede anche in meccanica quantistica, l'equazione di Schrödinger spiega il comportamento dell'elettrone dell'idrogeno ed è risolvibile esattamente, mentre per tutti gli altri atomi è necessario approssimare statisticamente il comportamento degli elettroni, anche osservando cosa accade realmente, ma ciò non rende questa teoria meno valida, a meno che non si dimostri inaffidabile, cosa che per i modelli meteo statistici non potremmo sapere senza effettivamente provarli.

Questa è un'ottima osservazione, concettualmente ci sono molte analogie con altri campi in cui gli strumenti analitici tradizionali non sono applicabili e quindi sono già utilizzati da molto tempo metodi che hanno alcune affinità con gli algoritmi di machine learning. Rispetto alla fisica quantistica in particolare molte grandezze sono definibili solo in termini probabilistici, ma questo non le rende meno reali.



Più in generale, siamo abituati a pensare il metodo scientifico come osservazione -> formulazione di una ipotesi matematica -> dimostrazione -> applicazione della formula, ma in molti ambiti non è possibile o non è efficiente farlo.
Gli strumenti di intelligenza artificiale sono potenzialmente molto promettenti in molti di questi ambiti (almeno dove ci sono grandi quantità di dati di buona qualità) perché anziché cercare di ricostruire il funzionamento di ogni dettaglio possono andare direttamente a replicare il funzionamento del sistema nel suo complesso e fare previsioni sufficientemente precise in maniera molto efficiente.



Le previsioni meteo sono particolarmente interessanti perché i modelli che simulano I processi fisici non riescono a replicare alcune regolarita statistiche, quindi evidentemente è presente una grande quantità di informazione che i modelli attuali non riescono ad utilizzare.

[Musin]

Questa è un'ottima osservazione, concettualmente ci sono molte analogie con altri campi in cui gli strumenti analitici tradizionali non sono applicabili e quindi sono già utilizzati da molto tempo metodi che hanno alcune affinità con gli algoritmi di machine learning. Rispetto alla fisica quantistica in particolare molte grandezze sono definibili solo in termini probabilistici, ma questo non rende meno reali.



Più in generale, siamo abituati a pensare il metodo scientifico come osservazione -> formulazione di una ipotesi matematica -> dimostrazione -> applicazione della formula, ma in molti ambiti non è possibile o non è efficiente farlo.
Gli strumenti di intelligenza artificiale sono potenzialmente molto promettenti in molti di questi ambiti (almeno dove ci sono grandi quantità di dati di buona qualità) perché anziché cercare di ricostruire il funzionamento di ogni dettaglio possono andare direttamente a replicare il funzionamento del sistema nel suo complesso e fare previsioni sufficientemente precise in maniera molto efficiente.



Le previsioni meteo sono particolarmente interessanti perché i modelli che simulano I processi fisici non riescono a replicare alcune regolarita statistiche, quindi evidentemente è presente una grande quantità di informazione che i modelli attuali non riescono ad utilizzare.

La cosa migliore potrebbe essere il modello classico che utilizzi anche lo storico attraverso AI e machine learning, che è quello che gli appassionati provano istintivamente a fare guardando una carta. Probabilmente qualcuno già ci sta lavorando.

[MeTeo72]

La cosa migliore potrebbe essere il modello classico che utilizzi anche lo storico attraverso AI e machine learning, che è quello che gli appassionati provano istintivamente a fare guardando una carta. Probabilmente qualcuno già ci sta lavorando.

Ma credo che funzioni proprio così, impara dalle carte dell’evoluzione passata, ma non dai risultati di previsioni, ma dalle carte reali.
Quindi descrivono la vera evoluzione meteo.
In pratica, se proprio c’è statistica, fornisce una statistica fondata su una evoluzione che poi si è realizzata.


Inviato dal mio iPhone utilizzando Tapatalk

[Musin]

Ma credo che funzioni proprio così, impara dalle carte dell’evoluzione passata, ma non dai risultati di previsioni, ma dalle carte reali.
Quindi descrivono la vera evoluzione meteo.
In pratica, se proprio c’è statistica, fornisce una statistica fondata su una evoluzione che poi si è realizzata.


Inviato dal mio iPhone utilizzando Tapatalk

Forse non mi sono spiegato bene. Intendo un modello numerico tipo ecmwf che si avvalga anche di machine learning e che aiuti, ad esempio, ad eliminare configurazioni che numericamente risultano corrette ma che non si sono mai verificate.