En av de svåraste variablerna att förutsäga i väder är nederbörd, vilket är den främsta källan till osäkerhet i översvämningsprognoser. Men detta nya AI-system från Google hoppar över förutsägelsen av nederbörd helt och hållet och försöker istället förutsäga översvämningar utifrån allt annat som är känt.

Nyckeludmaningen är att de länder som behöver dessa översvämningsprognoser mest ofta är de platser som inte har tillräckligt med träningsdata för inlärningsalgoritmen, eftersom de saknar möjligheter att samla in den. Denna nya teknik hjälper till att återanvända data från USA och andra länder och tillämpa den på mindre gynnade regioner.

Anmärkningsvärt är att detta nya AI-system är mer exakt än de globala översvämningsmedvetandesystem som används runt om i världen. Detta är en otrolig framsteg som kan hjälpa icke-avancerade nationer, inte bara deras regeringar utan även medborgarna. Vissa av dessa översvämningsprognosmodeller är till och med billiga nog att köra på en smartphone i fickan.

Google har utvecklat en ny metod för väderprognos som överträffar traditionella fysikbaserade simuleringar. Istället för att förlita sig på beräkningsintensiva vädermodeller använder de diffusionsbaserade AI-modeller för att generera trovärdiga väderdata från historiska observationer.

Nyckelinsikten är att diffusionsmodeller, som används för att skapa bilder från textuppmaningar, även kan tillämpas på väderdata. Dessa modeller startar från slumpmässigt brus och omvandlar det gradvis till realistiska väderförhållanden, samtidigt som de lär sig intrikata mönster för extrema väderförhållanden.

Denna metod har flera fördelar jämfört med traditionella metoder. För det första kräver den mycket mindre beräkningskraft, eftersom den inte behöver köra komplexa vädersimuleringar. För det andra kan den dra nytta av en mycket större uppsättning historiska väderobservationer, vilket gör att AI:n kan lära sig mer omfattande mönster.

Resultatet är ett väderprognossystem som är mer exakt än tidigare tekniker, inklusive NVIDIA:s FourCastNet och DeepMinds GraphCast. Detta genombrott har potential att avsevärt förbättra väderprognoser, särskilt i regioner med begränsad data och beräkningsresurser, vilket i slutändan kan rädda många liv genom bättre förutsägelse av extrema väderförhållanden.

Flygets avgaslinjer, så kallade kondensstrimmor, kan ha en mätbar inverkan på planetens temperatur. Även om endast en liten andel av kondensstrimmorna (cirka 5%) har en långvarig effekt, är denna effekt betydande. För att hantera denna fråga har forskare utvecklat en AI-baserad simulering som kan förutsäga vilka flygplan på vilka rutter som sannolikt skapar dessa ihållande kondensstrimmor.

Utmaningen ligger i att noggrant skilja kondensstrimmor från liknande cirrusmoln. Forskarna har emellertid hittat ett tillförlitligt sätt att särskilja de två, vilket gör problemet inlärbart för AI-systemet.

För att testa effektiviteten i denna metod genomförde forskarna ett försök med American Airlines, där de föreslog mindre rutjusteringar baserade på AI:ns prognoser. Resultatet var en 54-procentig minskning av skapandet av värmefångande kondensstrimmor, med endast en 0,3-procentig ökning av bränsleförbrukningen. Denna nettoeffekt är 20 gånger bättre för miljön än det nuvarande tillvägagångssättet.

Genom att medvetet undvika de områden där ihållande kondensstrimmor sannolikt kommer att bildas kan flygbolagen avsevärt minska sin inverkan på planetens temperatur, med minimal påverkan på sina verksamheter. Denna innovativa användning av AI-teknik har potential att göra flygresor mer hållbara och bidra till kampen mot klimatförändringarna.