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.
Wetterdaten treffen schneller ein, als die meisten Vorhersagebetriebe sie nutzen können. Warum mehr Beobachtungen mehr Rechenleistung brauchen, bevor sie eine Vorhersage verbessern, und wo GPUs ansetzen.

Wetterdaten treffen schneller ein, als die meisten Vorhersagebetriebe sie nutzen können. Neue Satelliten, Radare und Bodensensoren melden jedes Jahr häufiger und detaillierter. Doch eine Beobachtung verbessert eine Vorhersage nur, wenn ein Modell sie aufnehmen und seinen Lauf beenden kann, bevor die Vorhersage gebraucht wird. Für eine Betriebsleitung wird damit aus einer wissenschaftlichen Frage eine Budgetfrage: Wie viel Rechenleistung ist nötig, um aus mehr Daten bessere Entscheidungen zu machen?
Jede numerische Vorhersage beginnt mit einer Schätzung des aktuellen Zustands der Atmosphäre. Fehler in diesem Ausgangsbild wachsen, während das Modell vorwärts rechnet; eine Vorhersage kann also nicht besser sein, als die Beobachtungen dahinter es zulassen.
Die Abdeckung ist ungleichmäßig. Aerologische Stationen messen Temperatur, Feuchte und Wind über die gesamte Höhe der Atmosphäre, und in weiten Teilen der Welt liegen sie weit auseinander. Die folgende Karte der Weltorganisation für Meteorologie zeigt den Abstand aerologischer Meldungen nach Ländern. Dunkelrot bedeutet die größten Lücken.

Diese Lücken zu schließen lohnt sich. Ein Bericht der Weltbank über den Wert bodengestützter meteorologischer Beobachtungsdaten schätzte, dass jeder in neue Beobachtungsdaten investierte Dollar mindestens sechsundzwanzig Dollar an sozioökonomischem Nutzen bringen könnte.
Satelliten haben die Angebotsseite verändert. Das folgende Diagramm aus Christopherson, Chandra und Quanbeck (2019) zählt Satelliten nach Startjahr und Art des Nutzers. Kommerzielle Starts nehmen ab 2014 stark zu.

Mehr Daten helfen nicht von allein. Sie müssen durch die Datenassimilation, den Schritt, der neue Beobachtungen mit einer aktuellen Kurzfristvorhersage verbindet und daraus das Ausgangsbild für den nächsten Lauf erzeugt. Die Assimilation gehört zu den teuersten Teilen eines Vorhersagesystems, weil die führenden Verfahren das Modell viele Male rechnen, um zu ermitteln, wie viel Gewicht jede Beobachtung verdient.
Die Kosten enden damit nicht. Enthält das Ausgangsbild mehr Details, braucht das Vorhersagemodell ein feineres Gitter, um sie zu bewahren. Feinere Gitter brauchen deutlich mehr Rechenleistung. Daten, Assimilation und Auflösung zehren alle am selben Budget.
Die klarste öffentliche Beschreibung des Problems kam vom Science Advisory Board der NOAA. Wie HPCwire im Januar 2022 berichtete, kam der Bericht des Gremiums zu dem Ergebnis, dass Verbesserungen der Wettervorhersage unmittelbar durch die Rechenleistung begrenzt seien, die für Entwicklung, Test und Betrieb neuer Modelle und der Datenassimilation zur Verfügung stehe. Er forderte für das folgende Jahrzehnt Rechenkapazität in der Größenordnung des 100-Fachen der damaligen operationellen Rechenkapazität der NOAA.
Das war eine Aussage über einen nationalen Wetterdienst im Jahr 2022, aber die Logik gilt für jede Organisation, die eigene Vorhersagen rechnet: Wer mehr Daten kauft, ohne mehr Rechenleistung bereitzustellen, lässt die Daten ungenutzt.
Es gibt zwei Wege zu mehr Rechenleistung. Der eine sind mehr Prozessoren derselben Art. Der andere sind Prozessoren, von denen jeder mehr von dieser Art Arbeit leistet. Das Vorhersagemodell auf GPUs zu rechnen ist der zweite Weg.
AceCAST führt WRF, das vom NCAR gepflegte Weather Research and Forecasting Model, auf NVIDIA-GPUs aus. Der WRF-Workflow bleibt erhalten, mit WRF-kompatiblen Eingabedaten, Namelists und Ausgaben, auf Linux-Systemen vor Ort oder in der Cloud. Der Anteil von AceCAST ist der Vorhersagelauf selbst. Die Schritte, die Beobachtungen und Anfangsbedingungen aufbereiten, bleiben bei den Werkzeugen, die Ihr Team bereits nutzt, und AceCAST liest die WRF-kompatiblen Eingabedaten, die sie erzeugen.
Benchmark und Kostenbeispiel ansehen.
Mehr Beobachtungen und ein feineres Gitter sind Investitionen und sollten wie Investitionen geprüft werden. Die Vorhersageverifikation bewertet jede Vorhersage anhand von Stationen, Lidar oder Radar, mit Maßen wie Bias, mittlerem absolutem Fehler und der Wurzel des mittleren quadratischen Fehlers. Führen Sie sie vor und nach einer Änderung durch, über genügend Tage, um sicher zu sein. Davon getrennt entwickelt TempoQuest ein Forecast Verification Tool, das die Verifikation von Wettervorhersagen verbessern soll.
Zwei Optionen umgehen die Hardwarefrage. Aerava rechnet eine Vorhersage für einen Standort, den Sie markieren, und zeigt den Preis an, bevor Sie den Lauf starten. Der Dienst Maßgeschneiderte Wetterdaten liefert projektspezifische Modellausgaben; typische Anfragen liegen bei einer Auflösung von etwa 1 km oder 3 km und einer 15-minütigen, 30-minütigen, stündlichen oder täglichen Taktung.
Sehen Sie sich AceCAST 5 an, jetzt verfügbar: Physik, Ausgabegrößen und Hinweise zum Upgrade.

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.