Die numerische Wettervorhersage erweist sich zunehmend als wertvoll, wenn es darum geht, Leben zu retten und Eigentum in Gesellschaften zu schützen, die besonders anfällig für extreme Wetterereignisse sind. Diese Extreme verstärken sich unter dem Einfluss des Klimawandels und machen sie für eine bessere numerische Wettervorhersage immer wichtiger. Eine Möglichkeit, die Fähigkeiten der numerischen Wettervorhersage zu verbessern, besteht darin, die physikbasierten Algorithmen und Modelle mit der Leistungsfähigkeit von Modellen des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) zu erweitern, die durch die unzähligen vernetzten Sensormessungen (Satelliten, Radar, Lidar, Radiometer usw.) gefördert werden, die durch In-situ, Fernerkundung und das Internet der Dinge (IoT) gesteuert werden.
Der Begriff „Digitaler Zwilling“ bezieht sich auf die digitale Nachbildung eines Systems oder einer physischen Anlage, die aus realen Daten abgeleitet wird, die mithilfe verschiedener Arten von Sensoren und Überwachungstechnologien der Anlage während des Betriebs erfasst werden. Dies bedeutet oft, dass ein analytisches, datengesteuertes Modell (d. h. der Zwilling) erstellt wird, um den Betrieb mit der Leistung seines physischen Gegenstücks zu analysieren, zu aktualisieren, vorherzusagen und/oder zu verwalten.
ML und KI geben Vorhersagen auf der Grundlage der Vergangenheit und automatisieren die auf historischen Daten trainierte Schlussfolgerung. Es funktioniert gut für Nowcasting, aber mit umfassender, schrittweiser und vielschichtiger Umschulung wird es möglich, die Zukunft mit quantifizierbarer Sicherheit vorherzusagen.
Wettersysteme sind in hohem Maße nichtlinear, was bedeutet, dass eine kleine Änderung jetzt zu unglaublich großen Änderungen in der Zukunft führen kann. Ein nichtlineares System ist nicht zufällig, aber das Verhalten des Systems kann schwer vorherzusagen sein. Prognosen für mittel- und langfristige, insbesondere den Klimawandel, basieren auf den Grundprinzipien physikalischer Gesetze. Nur physikbasierte Modellierung und Algorithmen können neue Ursache-Wirkungs-Beziehungen vorhersagen, wenn nur wenige Daten zur Initialisierung des Prognosemodells verfügbar sind und neue Anfangsbedingungen auftreten können.
Ziel von TQI ist die Weiterentwicklung von beschleunigten physikbasierten Prognosen zu erweiterten Prognosen unter Umgehung der erforderlichen zeitaufwändigen Berechnungen mithilfe physikbasierter Algorithmen. Dies bedeutet, dass durch ML und Deep Learning (DL) generierte Vorhersagemodelle hinzugefügt werden müssen, um in AceCAST kodierte physikalische Gesetze zu reproduzieren. TQI hat einen neuartigen Ansatz namens „ Hybrid Weather Twin (HWT) für alle seine Produkte und Dienstleistungen ist die Kombination aus physikbasierter und datengesteuerter Modellierung zur Entscheidungsfindung. Ersteres baut Ursache-Wirkungs-Beziehungen auf, um die Möglichkeit zukünftiger Ereignisse auf der Grundlage theoretischer Beschreibungen und Variationen der Anfangsbedingungen zu untersuchen, während letzteres das Hybridmodell mit den realen Beobachtungen aktualisiert. Das HWT von TQI nutzt die Vorteile von Geschwindigkeit und Leistung durch die Kombination eines digitalen Zwillings-Gegenstücks mit dem beschleunigten physikbasierten Vorhersagemodell und dem modernen ML/DL-basierten Off-Loaded-Trainingsmodell, das die verfügbare moderne Wetterdatenanalysetechnologie voll ausnutzt.
Die folgende Abbildung beschreibt die konzeptionelle Architektur von HWT. Eine Besonderheit ist, dass „Hybrid„gilt auf verschiedenen Ebenen:
- Rechenknoten: CPU und GPU
- Bereitstellung: On-Premise, On-Demand Private und Public Cloud
- Datenquellen: Rasterdaten, Beobachtungsdaten, private Daten
- Assimilations-/Prognosemodelle: physikbasiert und ML/KI
Ein Bild der konzeptionellen Architektur des Hybrid Weather Twin.
TQI wird ML/DL-Methoden auf mehreren Ebenen verwenden. Erstens auf der Vorverarbeitungsebene, um die Datenausdünnung, -verbesserung und -assimilation zu verbessern. Durch die automatische Lokalisierung von Ereignissen mit großer Auswirkung können wir diese Daten bevorzugt im Assimilationsprozess verwenden. Zweitens: Ersetzen rechenintensiver First-Principles-Routinen durch Ersatzmodelle, die mit ML/DL erstellt wurden. Drittens erfolgt in der Nachbearbeitung die automatische Erkennung der wichtigsten Variablen, Muster und Ausreißer.
Dieser HWT-Ansatz basiert auf der Kombination und Komplementarität von theoriebasierten Modellen und ML/DL-gesteuerten Modellen und ist leistungsfähiger und effizienter, wenn beide Modelltypen auf derselben GPU-Plattform laufen. Mit der Wettervorhersagesoftware AceCAST laufen sowohl der partielle Differentialgleichungslöser als auch ML/DL auf der GPU und ermöglichen so schnelle, hyperlokale benutzerdefinierte Vorhersagen.
Die höhere Auflösung von AceCAST (der physikbasierten Komponente von HWT) verbessert direkt die Fähigkeit von Modellen, kleine Extremereignisse zu simulieren, und ermöglicht eine bessere Aufnahme der Informationen in Beobachtungen zu Beginn. Dadurch wird die Abhängigkeit von Modellen von ungenau parametrisierten Prozessen verringert, was die systematischen Fehler verringert.
HWT integriert ML und DL, um seine dynamischen Modelle automatisch und kontinuierlich zu verbessern, lokale Verzerrungen wissenschaftlicher Simulationen zu reduzieren und die Informationsbereitstellung zu beschleunigen.
Als Abkürzung definieren physikbasierte Modelle den virtuellen Zwilling und ML/DL-Modelle den digitalen Zwilling. Der Hybrid Weather Twin ist die Mischung aus beidem und bietet eine ungenutzte Möglichkeit, die Fähigkeiten von Wetter- und Klimavorhersagen auf einem neuen Niveau an Genauigkeit zu verbessern.
HWT ist die innovative Plattform von TQI zur Bereitstellung besserer/schnellerer/günstigerer Wettervorhersageinformationen und zum Aufbau von Entscheidungssystemen zur Bewältigung der Wetter- und Klimaauswirkungen auf die Wirtschaft.
Folgen Sie TempoQuest auf unseren LinkedIn-, Facebook- und Twitter-Konten für weitere Updates. Wir freuen uns darauf, weiterhin unsere neuesten Nachrichten und Kooperationen mit Ihnen zu teilen.
TempoQuest LinkedIn: https://www.linkedin.com/company/tempoquest-inc TempoQuest Facebook: https://www.facebook.com/TempoQuestInc TempoQuest Twitter: https://twitter.com/tempoquestInc
