AceCAST 5: Was neu ist
AceCAST 5 ist jetzt verfügbar. Das hat sich geändert: WRF 4.8, vier Physik-Updates und vier neue Ausgabegrößen des Modells.
Im Mai 2022 beschrieb TempoQuest einen Hybrid Weather Twin: physikbasierte Wettermodelle, kombiniert mit maschinellem Lernen. Was jede Modellart gut kann und wo die Kombination heute im Einsatz ist.

Wer eine Data-Science-Abteilung leitet und Wettervorhersagen braucht, hat heute zwei Arten von Modellen zur Auswahl. Physikbasierte Modelle lösen die Gleichungen der Atmosphäre und brauchen sehr viel Rechenleistung. Machine-Learning-Modelle liefern nach dem Training schnell eine Vorhersage, wissen aber nur, was ihre Trainingsdaten ihnen beigebracht haben. Die meisten Teams brauchen am Ende beides. Im Mai 2022 beschrieb TempoQuest ein Konzept, das es Hybrid Weather Twin nannte, einen hybriden Wetterzwilling, der physikbasierte Modelle mit maschinellem Lernen kombiniert. Dieser Artikel greift die Idee wieder auf: was vorgeschlagen wurde, was jede Modellart gut kann und wo die Kombination heute real im Einsatz ist.
Ein digitaler Zwilling ist ein digitales Abbild eines physischen Systems, das mit Messungen am realen Objekt aktuell gehalten wird. Der Artikel von 2022 übertrug den Begriff auf das Wetter. Sein hybrider Zwilling verband ein physikbasiertes Vorhersagemodell mit datengetriebenen Modellen, die mit Beobachtungen trainiert wurden.
Das Konzept setzte maschinelles Lernen an drei Stellen der Vorhersagekette ein:
Das Wort hybrid verwendete es auch für die Infrastruktur: CPU und GPU, Cloud und vor Ort, öffentliche und private Daten. Das folgende Diagramm stammt aus jenem Artikel.

Der Hybrid Weather Twin war ein Konzept, kein Produkt.
Physikbasierte Modelle gehen von den Bewegungsgesetzen und der Thermodynamik aus. Ihre Stärken:
Ihr Preis ist Rechenleistung, und feine Gitter brauchen viel davon.
Machine-Learning-Modelle lernen Muster aus historischen Daten. Ihre Stärken:
Ihre Grenze sind die Trainingsdaten. Ein Modell, das mit groben oder kurzen Datenreihen trainiert wurde, kann weder Details noch Extreme erzeugen, die es nie gesehen hat.
Deshalb ergänzen sich die beiden Ansätze. Das Physikmodell kann die detaillierten, konsistenten Daten erzeugen, die das lernende Modell braucht. Das lernende Modell kann das Physikmodell anhand von Beobachtungen korrigieren.
Hier sind drei aktuelle Beispiele.
Details auf feinem Gitter sind kein Beleg für Vorhersagegüte. Lesen Sie, wie man eine Vorhersage bewertet, einschließlich eines begrenzten historischen Vergleichs mit Lidarbeobachtungen.
Die Lehre für jedes hybride System steckt in diesem Befundpaar. Die Kombination schlug die Referenz, wo der Lauf auf feinem Gitter allein es nicht tat, und das zeigte erst die Bewertung anhand von Beobachtungen.
Jede Kombination braucht einen Schiedsrichter. Die übliche Verifikation bewertet eine Vorhersage anhand von Stationen, Lidar oder Radar, mit Maßen wie Bias, mittlerem absolutem Fehler und der Wurzel des mittleren quadratischen Fehlers. Davon getrennt entwickelt TempoQuest ein Forecast Verification Tool, das die Verifikation von Wettervorhersagen verbessern soll.

AceCAST 5 ist jetzt verfügbar. Das hat sich geändert: WRF 4.8, vier Physik-Updates und vier neue Ausgabegrößen des Modells.

Aerava rechnet ein Wettermodell rund um den Standort, den Sie markieren, und prüft das Ergebnis gegen Ihre eigenen Grenzwerte für Gewitter, Wind und Sturmabschaltung. Hier lesen Sie, was Sie heute rechnen können, was es kostet und was Aerava zur Genauigkeit sagt.

Ein veröffentlichter Benchmark von 2023 und zwei Azure-Listenpreise, Zeile für Zeile durchgerechnet: was eine GPU-VM im Vergleich zu einer CPU-VM und zu sechzehn kostet und was die Rechnung auslässt.
Ihre Vorhersage
Sagen Sie uns, welcher Entscheidung sie dienen soll. Ein kurzes Formular genügt, um das Team zu erreichen, und wir prüfen jede Anfrage.