ЯдроКодаподготовка к экзаменам
Подготавливаем текст, источники и редакционные примечания без изменения разметки страницы.
Разбираем GraphCast: ERA5, графовую mesh-сетку, авторегрессионный прогноз, сравнение с HRES и ограничения исследовательской погодной модели.
GraphCast — модель Google DeepMind для детерминированного среднесрочного глобального прогноза. Она получает два последовательных состояния атмосферы и известные внешние признаки, предсказывает состояние через шесть часов, затем авторегрессионно повторяет шаг до десяти дней. В статье Science модель превзошла оперативный HRES ECMWF на более чем 90% из 1380 выбранных целей проверки, но этот результат не делает её самостоятельной службой предупреждений и не отменяет физические модели.
Высокодетальная версия GraphCast обучалась на ERA5 — reanalysis ECMWF, объединяющем наблюдения и физическую модель ассимиляцией данных. В официальном репозитории указано обучение основной модели на периоде 1979–2017 годов. Пространственная сетка имеет шаг 0,25°, а атмосфера представлена на 37 уровнях давления вместе с поверхностными переменными.
Reanalysis — не сырая таблица показаний датчиков. Это согласованная реконструкция состояния атмосферы, зависящая от наблюдений, модели и процедуры ассимиляции. Поэтому GraphCast учится воспроизводить динамику именно этого представления. Качество и систематические ошибки обучающих данных входят в итоговую модель.
Входные поля расположены на регулярной широтно-долготной сетке, где точки сгущаются у полюсов. Внутри GraphCast информация переносится на многоуровневую икосаэдрическую mesh-сетку. Graph neural network выполняет message passing по рёбрам mesh, после чего результат декодируется обратно на географическую сетку.
Так модель может быстро распространять информацию на большие расстояния, не применяя одинаковое число локальных свёрток для всего пути. Архитектура разделяет три стадии: grid-to-mesh encoder, processor на графе и mesh-to-grid decoder.
Один вызов предсказывает приращение к состоянию через шесть часов. Для следующего шага собственный прогноз подаётся обратно как вход. Так строится последовательность 6, 12, 18 часов и далее. Ошибка также возвращается в модель и может накапливаться, поэтому качество оценивают отдельно для каждого lead time.
Учебный пример показывает сам принцип rollout без метеорологии:
def forecast_step(previous: float, current: float, forcing: float) -> float:
tendency = 0.7 * (current - previous) + 0.1 * forcing
return current + tendency
previous, current = 12.0, 12.6
known_forcings = [0.2, 0.1, -0.1, -0.2]
trajectory = []
for forcing in known_forcings:
predicted = forecast_step(previous, current, forcing)
trajectory.append(round(predicted, 2))
previous, current = current, predicted
print(trajectory)Это не погодная модель: одна скалярная переменная не описывает атмосферу. Пример нужен, чтобы увидеть зависимость позднего прогноза от раннего. Честная оценка не подменяет rollout прогнозом из истинного состояния на каждом шаге.
Основной baseline — HRES, детерминированная высокодетальная конфигурация Integrated Forecasting System ECMWF. Метрики включали RMSE и anomaly correlation coefficient по множеству переменных, уровней и lead times. Авторы сообщают превосходство GraphCast на 90% из 1380 целей; отдельные анализы охватывали траектории тропических циклонов, atmospheric rivers и экстремальные температуры.
Агрегат «90% целей» нужно читать вместе со списком целей и весами. Он не означает 90% более точный прогноз и не гарантирует выигрыш для каждой переменной, региона или опасного явления. Дождь, ветер у поверхности и редкие локальные события имеют другие свойства, чем глобальная геопотенциальная высота.
Ещё один результат — скорость inference: опубликованный rollout выполнялся менее чем за минуту на Cloud TPU после дорогого этапа обучения. Сравнение вычислительной стоимости должно различать обучение, подготовку входов, один детерминированный прогноз и полноценный ансамбль, который оценивает неопределённость.
Оперативная метеослужба собирает наблюдения, контролирует качество, запускает ансамбли, объединяет модели, оценивает неопределённость и выпускает предупреждения по установленным процедурам. GraphCast берёт уже подготовленное начальное состояние. Он не заменяет сеть наблюдений и data assimilation, от которых зависит старт прогноза.
Официальный репозиторий прямо предупреждает, что результаты не произведены и не одобрены государственной метеослужбой и не заменяют официальные alerts. Для решений о безопасности нужно использовать сообщения профильных служб, а не самостоятельно интерпретировать демонстрационный notebook.
Google DeepMind опубликовала код, checkpoint, статистики нормализации и demo notebook. Полное обучение требует крупного ERA5-корпуса и значительных ресурсов. Репозиторий также содержит уменьшенную GraphCast_small с разрешением 1° и 13 уровнями — удобную для знакомства, но не эквивалентную модели из основной таблицы статьи.
При воспроизведении фиксируйте checkpoint, разрешение, набор входных переменных, источник начального состояния и период оценки. Нельзя запустить small-модель и приписать ей метрики high-resolution GraphCast.
GraphCast показывает сильный шаблон для геофизических данных: отделить регулярную пользовательскую сетку от вычислительной mesh, обучать локальный шаг динамики и проверять длинный авторегрессионный rollout. Одновременно работа напоминает, что benchmark зависит от системы подготовки данных и operational baseline.
При чтении похожей статьи задайте пять вопросов: каким анализом сформировано начальное состояние, какой период отделён для теста, выполняется ли rollout на собственных прогнозах, как агрегированы метрики и какую неопределённость показывает система. Без этих ответов яркая карта погоды остаётся демонстрацией, а не проверенным прогнозным продуктом.
Самостоятельный редакционный разбор ЯдроКода по рецензируемой статье GraphCast и официальному репозиторию Google DeepMind. Материал не является метеорологическим предупреждением.
Учебный rollout и объяснения созданы редакцией; погодные карты, графики и таблицы Science и Google DeepMind не воспроизводятся.