Одной из самых сложных переменных для прогнозирования погоды является осадки, которые являются основным источником неопределенности в прогнозировании наводнений. Однако эта новая система искусственного интеллекта от Google полностью пропускает прогнозирование осадков и вместо этого пытается прогнозировать наводнения на основе всего остального, что известно.

Основная проблема заключается в том, что страны, которым больше всего нужны эти прогнозы наводнений, часто являются теми местами, где недостаточно данных для обучения алгоритма, поскольку у них нет средств для их сбора. Эта новая методика помогает повторно использовать данные из США и других стран и применять их к менее благополучным регионам.

Примечательно, что эта новая система искусственного интеллекта более точна, чем используемые во всем мире Глобальные системы оповещения о наводнениях. Это невероятный прогресс, который может значительно помочь неразвитым странам, не только их правительствам, но и гражданам. Некоторые из этих моделей прогнозирования наводнений даже достаточно дешевы, чтобы работать на смартфоне в вашем кармане.

Google разработала новый подход к прогнозированию погоды, который превосходит традиционные физические моделирования. Вместо того, чтобы полагаться на вычислительно дорогостоящие погодные модели, они используют основанные на диффузии модели искусственного интеллекта для генерации правдоподобных погодных данных из исторических наблюдений.

Ключевая идея заключается в том, что модели диффузии, которые используются для создания изображений из текстовых подсказок, также могут применяться к погодным данным. Эти модели начинают с случайного шума и постепенно преобразуют его в реалистичные погодные модели, изучая тонкости экстремальных погодных явлений в процессе.

Этот подход имеет несколько преимуществ по сравнению с традиционными методами. Во-первых, он требует гораздо меньше вычислительной мощности, поскольку не нуждается в запуске сложных погодных моделей. Во-вторых, он может использовать гораздо более обширный набор данных исторических погодных наблюдений, позволяя ИИ изучать более всеобъемлющие модели.

Результатом является система прогнозирования погоды, которая более точна, чем предыдущие методики, включая FourCastNet от NVIDIA и GraphCast от DeepMind. Этот прорыв имеет потенциал значительно улучшить прогнозирование погоды, особенно в регионах с ограниченными данными и вычислительными ресурсами, в конечном итоге спасая множество жизней благодаря лучшему прогнозированию экстремальных погодных явлений.

Следы выхлопа самолетов, известные как конденсационные следы, могут оказывать измеримое влияние на температуру планеты. Хотя только небольшой процент конденсационных следов (около 5%) имеют долгосрочный эффект, это влияние значительно. Для решения этой проблемы исследователи разработали основанную на ИИ имитационную модель, которая может прогнозировать, какие самолеты на каких маршрутах, вероятно, создадут эти устойчивые конденсационные следы.

Сложность заключается в точном различении конденсационных следов и похожих на них перистых облаков. Однако исследователи нашли надежный способ различать между ними, что делает проблему обучаемой для системы ИИ.

Чтобы проверить эффективность этого подхода, исследователи провели испытание с American Airlines, где они предложили небольшие корректировки маршрутов на основе прогнозов ИИ. Результатом стало 54% сокращение создания удерживающих тепло конденсационных следов при увеличении расхода топлива всего на 0,3%. Этот чистый эффект в 20 раз лучше для окружающей среды, чем текущий подход.

Намеренно избегая районов, где вероятно образование устойчивых конденсационных следов, авиакомпании могут значительно снизить свое влияние на температуру планеты, практически не влияя на свои операции. Это инновационное использование технологий ИИ имеет потенциал сделать авиаперевозки более устойчивыми и внести вклад в борьбу с изменением климата.