Синоптиком для фермерів прагне стати ШІ

Штучний інтелект починають залучати до складання точних прогнозів погоди для аграріїв. Міжнародні інститути розвитку та Всесвітня метеорологічна організація вже працюють над розширенням доступу до моделей прогнозування на основі ШІ у країнах з низьким та середнім рівнем доходу.

Про те, як відбувається впровадження ШІ в агрометеорологію пишуть Пол Вінтерс, професор сталого розвитку в Університеті Нотр-Дам, та Амір Джина, доцент кафедри державної політики в університеті Чикаго, у статті, опублікованій Reuters Connect.

Для фермерів кожне рішення про посадку пов’язане з ризиками, і багато цих ризиків зростають зі зміною клімату. Одним із найсерйозніших наслідків є погода, яка може негативно позначитися на врожайності та засобах існування. Наприклад, затримка мусону може змусити фермера, який вирощує рис, у Південній Азії пересіяти посіви або повністю змінити культуру, що спричинить втрату часу та доходу.

Доступ до надійних і своєчасних прогнозів погоди може допомогти фермерам підготуватися до майбутніх тижнів, знайти найкращий час для посадки або визначити, скільки добрив буде потрібно, що призведе до підвищення врожайності та зниження витрат.

Тим не менш, у багатьох країнах з низьким і середнім рівнем доходу точні прогнози погоди залишаються недоступними через високі витрати на технології та вимоги до інфраструктури традиційних моделей прогнозування.

Нова хвиля моделей прогнозування погоди на базі штучного інтелекту може змінити ситуацію. Завдяки використанню штучного інтелекту ці моделі можуть надавати точні, локалізовані прогнози, вимагаючи лише малу частку обчислювальних витрат порівняно з традиційними фізичними моделями. Це дозволяє національним метеорологічним агенціям країн, що розвиваються, надавати фермерам своєчасну, локалізовану інформацію про зміну режиму опадів, яка їм необхідна.

Завдання полягає в тому, щоб впровадити цю технологію там, де вона потрібна.

Фізичні моделі прогнозування погоди, які використовуються великими метеорологічними центрами по всьому світу, потужні, але дорогі. Вони імітують фізику атмосфери для прогнозування погодних умов, але потребують дорогої обчислювальної інфраструктури. Висока вартість робить їх недоступними для більшості країн, що розвиваються.

Більше того, ці моделі в основному розроблялися та оптимізувалися для північних країн. Вони, як правило, орієнтовані на помірні регіони з високим рівнем доходу та менше враховують тропіки, де розташовано безліч країн із низьким та середнім рівнем доходу.

Значне зрушення у моделюванні погоди розпочалося у 2022 році, коли дослідники з галузі та університетів розробили моделі глибокого навчання, які можуть генерувати точні короткострокові та середньострокові прогнози для різних точок земної кулі на строк до двох тижнів уперед.

Ці моделі працювали на кілька порядків швидше, ніж моделі, засновані на фізиці, і могли працювати на ноутбуках замість суперкомп’ютерів. Нові моделі, такі як Pangu-Weather і GraphCast, досягли результатів, порівнянних або навіть перевершили провідні системи, засновані на фізиці, за деякими прогнозами, наприклад, за температурою.

Моделі з урахуванням штучного інтелекту вимагають значно менше обчислювальної потужності, ніж традиційні системи.

У той час як системам, заснованим на фізичних законах, можуть знадобитися тисячі процесорних годин на виконання одного циклу прогнозування, сучасні моделі ШІ можуть зробити це, використовуючи один графічний процесор, за лічені хвилини після навчання моделі. Це пов’язано з тим, що інтенсивна частина навчання моделі ШІ, яка вивчає взаємозв’язки в кліматі на основі даних, може використовувати ці вивчені взаємозв’язки для складання прогнозу без додаткових обчислень – це суттєве скорочення часу. На відміну від цього, моделі, що базуються на фізичних законах, повинні розраховувати фізичні умови для кожної змінної у кожному місці та часу для кожного складеного прогнозу.

Хоча навчання цих моделей на основі даних фізичних моделей потребує значних початкових інвестицій, після навчання ШІ модель може генерувати великі ансамблеві прогнози – набори з кількох запусків прогнозів – за малу частку обчислювальних витрат у порівнянні з фізичними моделями.

Навіть дорогий етап навчання моделі погоди на основі штучного інтелекту демонструє значну економію обчислювальних ресурсів. Одне дослідження показало, що рання модель FourCastNet могла бути навчена приблизно годину на суперкомп’ютері. Це дозволило їй надавати прогнози у тисячі разів швидше, ніж сучасні фізичні моделі. Результат усіх цих досягнень: прогнози погоди з високою роздільною здатністю по всьому світу за лічені секунди на одному ноутбуці або настільному комп’ютері.

Дослідження також стрімко розвиваються в напрямку розширення використання ШІ для прогнозування

https://ukragroconsult.com