Deepmind.Google 15 दिन पहले चक्रवात का पता लगा सकेगा GenCast Weather Information, हमारा अत्याधुनिक मॉडल एक मिनट से भी कम समय में अभूतपूर्व सटीकता के साथ 10-दिन का मौसम पूर्वानुमान देता है
मौसम हम सभी को प्रभावित करता है, बड़े और छोटे तरीकों से। यह तय कर सकता है कि हम सुबह कैसे कपड़े पहनें, हमें हरित ऊर्जा प्रदान करें और सबसे खराब मामलों में, तूफान पैदा करें जो समुदायों को तबाह कर सकते हैं। तेजी से चरम मौसम की दुनिया में, तेज और सटीक पूर्वानुमान पहले कभी इतने महत्वपूर्ण नहीं रहे हैं।
The gift of today's dreams(आज के सपनों का उपहार)
साइंस में प्रकाशित एक पेपर में , हमने ग्राफकास्ट का परिचय दिया है, जो एक अत्याधुनिक एआई मॉडल है जो अभूतपूर्व सटीकता के साथ मध्यम-अवधि के मौसम का पूर्वानुमान लगाने में सक्षम है। ग्राफकास्ट मौसम की स्थिति का पूर्वानुमान 10 दिन पहले तक अधिक सटीकता से और बहुत तेजी से लगाता है, जबकि यह उद्योग के स्वर्ण-मानक मौसम सिमुलेशन सिस्टम – हाई रेजोल्यूशन फोरकास्ट (एचआरईएस) की तुलना में अधिक सटीक और तेज़ है, जिसे यूरोपियन सेंटर फॉर मीडियम-रेंज वेदर फोरकास्ट (ईसीएमडब्ल्यूएफ) द्वारा निर्मित किया जाता है।
Deepmind.Google GenCast Weather Information
ग्राफकास्ट चरम मौसम की घटनाओं की पहले से चेतावनी भी दे सकता है। यह भविष्य में चक्रवातों के ट्रैक की बहुत सटीकता से भविष्यवाणी कर सकता है, बाढ़ के जोखिम से जुड़ी वायुमंडलीय नदियों की पहचान कर सकता है, और चरम तापमान की शुरुआत की भविष्यवाणी कर सकता है। इस क्षमता में अधिक तैयारी के माध्यम से जीवन बचाने की क्षमता है।
ग्राफकास्ट मौसम की भविष्यवाणी के लिए एआई में एक महत्वपूर्ण कदम आगे बढ़ाता है, अधिक सटीक और कुशल पूर्वानुमान प्रदान करता है, और हमारे उद्योगों और समाजों की जरूरतों के लिए महत्वपूर्ण निर्णय लेने में सहायता करने के लिए रास्ते खोलता है। और, ग्राफकास्ट के लिए मॉडल कोड को ओपन सोर्स करके, हम दुनिया भर के वैज्ञानिकों और पूर्वानुमानकर्ताओं को उनके रोजमर्रा के जीवन में अरबों लोगों को लाभ पहुंचाने में सक्षम बना रहे हैं। ग्राफकास्ट का उपयोग पहले से ही मौसम एजेंसियों द्वारा किया जा रहा है, जिसमें ईसीएमडब्ल्यूएफ भी शामिल है, जो अपनी वेबसाइट पर हमारे मॉडल के पूर्वानुमानों का लाइव प्रयोग चला रहा है ।
वैश्विक मौसम पूर्वानुमान की चुनौती
मौसम की भविष्यवाणी सबसे पुराने और सबसे चुनौतीपूर्ण वैज्ञानिक प्रयासों में से एक है। मध्यम अवधि की भविष्यवाणियाँ अक्षय ऊर्जा से लेकर इवेंट लॉजिस्टिक्स तक सभी क्षेत्रों में महत्वपूर्ण निर्णय लेने में सहायता करने के लिए महत्वपूर्ण हैं, लेकिन इन्हें सटीक और कुशलतापूर्वक करना मुश्किल है।
पूर्वानुमान आमतौर पर संख्यात्मक मौसम पूर्वानुमान (NWP) पर निर्भर करते हैं, जो सावधानीपूर्वक परिभाषित भौतिकी समीकरणों से शुरू होता है, जिन्हें फिर सुपरकंप्यूटर पर चलने वाले कंप्यूटर एल्गोरिदम में अनुवादित किया जाता है। जबकि यह पारंपरिक दृष्टिकोण विज्ञान और इंजीनियरिंग की जीत रहा है, समीकरणों और एल्गोरिदम को डिजाइन करना समय लेने वाला है और सटीक पूर्वानुमान लगाने के लिए गहन विशेषज्ञता के साथ-साथ महंगे कंप्यूट संसाधनों की आवश्यकता होती है।
डीप लर्निंग एक अलग दृष्टिकोण प्रदान करता है: मौसम पूर्वानुमान प्रणाली बनाने के लिए भौतिक समीकरणों के बजाय डेटा का उपयोग करना। ग्राफकास्ट को दशकों के ऐतिहासिक मौसम डेटा पर प्रशिक्षित किया जाता है ताकि कारण और प्रभाव संबंधों का एक मॉडल सीखा जा सके जो वर्तमान से भविष्य में पृथ्वी के मौसम के विकास को नियंत्रित करते हैं।
महत्वपूर्ण रूप से, ग्राफकास्ट और पारंपरिक दृष्टिकोण साथ-साथ चलते हैं: हमने ग्राफकास्ट को ईसीएमडब्ल्यूएफ के ईआरए5 डेटासेट से चार दशकों के मौसम पुनर्विश्लेषण डेटा पर प्रशिक्षित किया। यह खजाना ऐतिहासिक मौसम अवलोकनों जैसे उपग्रह छवियों, रडार और मौसम स्टेशनों पर आधारित है, जो पारंपरिक एनडब्ल्यूपी का उपयोग करके ‘रिक्त स्थान भरने’ के लिए है, जहां अवलोकन अधूरे हैं, ताकि वैश्विक ऐतिहासिक मौसम के समृद्ध रिकॉर्ड का पुनर्निर्माण किया जा सके।
ग्राफकास्ट: मौसम की भविष्यवाणी के लिए एक एआई मॉडल
ग्राफकास्ट मशीन लर्निंग और ग्राफ न्यूरल नेटवर्क (जीएनएन) पर आधारित एक मौसम पूर्वानुमान प्रणाली है, जो स्थानिक रूप से संरचित डेटा के प्रसंस्करण के लिए विशेष रूप से उपयोगी आर्किटेक्चर है।
ग्राफकास्ट 0.25 डिग्री देशांतर/अक्षांश (भूमध्य रेखा पर 28 किमी x 28 किमी) के उच्च रिज़ॉल्यूशन पर पूर्वानुमान लगाता है। यह पूरी पृथ्वी की सतह को कवर करने वाले दस लाख से ज़्यादा ग्रिड पॉइंट हैं। प्रत्येक ग्रिड पॉइंट पर मॉडल पाँच पृथ्वी-सतह चरों की भविष्यवाणी करता है – जिसमें तापमान, हवा की गति और दिशा, और औसत समुद्र-स्तर का दबाव शामिल है – और 37 ऊँचाई स्तरों में से प्रत्येक पर छह वायुमंडलीय चर, जिसमें विशिष्ट आर्द्रता, हवा की गति और दिशा, और तापमान शामिल है।
जबकि ग्राफकास्ट का प्रशिक्षण कम्प्यूटेशनल रूप से गहन था, परिणामी पूर्वानुमान मॉडल अत्यधिक कुशल है। ग्राफकास्ट के साथ 10-दिन का पूर्वानुमान बनाने में एक Google TPU v4 मशीन पर एक मिनट से भी कम समय लगता है। तुलना के लिए, HRES जैसे पारंपरिक दृष्टिकोण का उपयोग करके 10-दिन का पूर्वानुमान बनाने में सैकड़ों मशीनों वाले सुपरकंप्यूटर में घंटों की गणना लग सकती है।
स्वर्ण-मानक नियतात्मक प्रणाली, HRES के विरुद्ध एक व्यापक प्रदर्शन मूल्यांकन में, ग्राफकास्ट ने 1380 परीक्षण चरों और पूर्वानुमान लीड समयों में से 90% से अधिक पर अधिक सटीक पूर्वानुमान प्रदान किए (विवरण के लिए हमारा विज्ञान पत्र देखें )। जब हमने मूल्यांकन को क्षोभमंडल तक सीमित किया, जो पृथ्वी की सतह के सबसे निकट वायुमंडल का 6-20 किलोमीटर ऊंचा क्षेत्र है, जहां सटीक पूर्वानुमान सबसे महत्वपूर्ण है, तो हमारे मॉडल ने भविष्य के मौसम के लिए 99.7% परीक्षण चरों पर HRES से बेहतर प्रदर्शन किया।
चरम मौसम की घटनाओं के लिए बेहतर चेतावनियाँ
हमारे विश्लेषणों से पता चला है कि ग्राफकास्ट पारंपरिक पूर्वानुमान मॉडल की तुलना में गंभीर मौसम की घटनाओं को पहले ही पहचान सकता है, भले ही उन्हें देखने के लिए प्रशिक्षित न किया गया हो। यह इस बात का एक प्रमुख उदाहरण है कि कैसे ग्राफकास्ट जीवन बचाने और समुदायों पर तूफानों और चरम मौसम के प्रभाव को कम करने के लिए तैयारियों में मदद कर सकता है।
ग्राफकास्ट पूर्वानुमानों पर सीधे एक सरल चक्रवात ट्रैकर लागू करके, हम एचआरईएस मॉडल की तुलना में चक्रवात की गति का अधिक सटीक पूर्वानुमान लगा सकते हैं। सितंबर में, ईसीएमडब्ल्यूएफ वेबसाइट पर तैनात हमारे सार्वजनिक रूप से उपलब्ध ग्राफकास्ट मॉडल के एक लाइव संस्करण ने लगभग नौ दिन पहले सटीक रूप से भविष्यवाणी की थी कि तूफान ली नोवा स्कोटिया में दस्तक देगा। इसके विपरीत, पारंपरिक पूर्वानुमानों में इस बात में अधिक परिवर्तनशीलता थी कि तूफान कहाँ और कब आएगा, और केवल नोवा स्कोटिया के बारे में लगभग छह दिन पहले ही अनुमान लगाया गया था।
ग्राफकास्ट वायुमंडलीय नदियों की विशेषता भी बता सकता है – वायुमंडल के संकीर्ण क्षेत्र जो उष्णकटिबंधीय क्षेत्रों के बाहर अधिकांश जल वाष्प को स्थानांतरित करते हैं। वायुमंडलीय नदी की तीव्रता यह संकेत दे सकती है कि यह लाभदायक बारिश लाएगी या बाढ़ लाने वाली बाढ़। ग्राफकास्ट पूर्वानुमान वायुमंडलीय नदियों की विशेषता बताने में मदद कर सकते हैं, जो बाढ़ का पूर्वानुमान लगाने के लिए एआई मॉडल के साथ आपातकालीन प्रतिक्रियाओं की योजना बनाने में मदद कर सकते हैं।
अंत में, हमारी गर्म होती दुनिया में चरम तापमान की भविष्यवाणी करना महत्वपूर्ण होता जा रहा है। ग्राफकास्ट यह बता सकता है कि पृथ्वी पर किसी भी स्थान पर गर्मी ऐतिहासिक उच्चतम तापमान से ऊपर कब बढ़ने वाली है। यह विशेष रूप से गर्मी की लहरों, विघटनकारी और खतरनाक घटनाओं का पूर्वानुमान लगाने में उपयोगी है जो तेजी से आम होती जा रही हैं।
मौसम के लिए AI का भविष्य
ग्राफकास्ट अब दुनिया में सबसे सटीक 10-दिवसीय वैश्विक मौसम पूर्वानुमान प्रणाली है, और यह भविष्य में चरम मौसम की घटनाओं की भविष्यवाणी कर सकता है जो पहले संभव नहीं था। जैसे-जैसे मौसम का पैटर्न बदलती जलवायु में विकसित होता है, ग्राफकास्ट विकसित होगा और बेहतर होगा क्योंकि उच्च गुणवत्ता वाला डेटा उपलब्ध होगा।
AI-संचालित मौसम पूर्वानुमान को और अधिक सुलभ बनाने के लिए, हमने अपने मॉडल के कोड को ओपन सोर्स कर दिया है । ECMWF पहले से ही ग्राफकास्ट के 10-दिवसीय पूर्वानुमानों के साथ प्रयोग कर रहा है और हम शोधकर्ताओं के लिए इसके खुलने वाली संभावनाओं को देखने के लिए उत्साहित हैं – विशेष मौसम की घटनाओं के लिए मॉडल को तैयार करने से लेकर दुनिया के विभिन्न हिस्सों के लिए इसे अनुकूलित करने तक।
ग्राफकास्ट, गूगल डीपमाइंड और गूगल रिसर्च की अन्य अत्याधुनिक मौसम पूर्वानुमान प्रणालियों में शामिल हो गया है, जिसमें एक क्षेत्रीय नाउकास्टिंग मॉडल भी शामिल है , जो 90 मिनट पहले तक का पूर्वानुमान प्रस्तुत करता है, तथा मेटनेट-3 , एक क्षेत्रीय मौसम पूर्वानुमान मॉडल है, जो अमेरिका और यूरोप में पहले से ही कार्यरत है, जो किसी भी अन्य प्रणाली की तुलना में 24 घंटे का अधिक सटीक पूर्वानुमान प्रस्तुत करता है।
मौसम पूर्वानुमान में एआई के उपयोग में अग्रणी होने से अरबों लोगों को उनके दैनिक जीवन में लाभ होगा। लेकिन हमारा व्यापक शोध केवल मौसम का पूर्वानुमान लगाने के बारे में नहीं है – यह हमारी जलवायु के व्यापक पैटर्न को समझने के बारे में है। नए उपकरण विकसित करके और शोध में तेजी लाकर, हम आशा करते हैं कि एआई वैश्विक समुदाय को हमारी सबसे बड़ी पर्यावरणीय चुनौतियों से निपटने के लिए सशक्त बना सकता है।