Pokud máte ve svém telefonu nějakou aplikaci na předpověď počasí, dost pravděpodobně využívá data z předpovědního systému společnosti The Weather Company, patřící do portfolia giganta IBM. Ti nyní do ostrého provozu nasazují novou generaci systému GRAF (Global High-Resolution Atmospheric Forecasting System), který zvýší rozlišení předpovědních modelů z aktuálních 13 km (mimo území USA leckdy až 30 km) na 3 km po celém světě.
Jak nové předpovědní modely fungují, nám poodhalili zástupci společnosti The Weather Company na konferenci IBM Think 2019.
Data jsou základ
Základním zdrojem jsou data od vládních zdrojů, což jsou zpravidla národní hydrometeorologická centra - v USA je to například National Weather Service, což je vlastně velká síť menších meteorologických stanic na letištích.
„K tomu ale přidáváme velké množství dalších tradičních i netradičních zdrojů, například síť soukromých stanic Weather Underground. A protože IBM má klienty v obrovském množství různých oborů, máme domluvený sběr dat i z mnoha průmyslových systémů po celém světě včetně satelitních a radarových dat. Data dostáváme například i z avionických systémů letadel, čímž mohou naše modely pracovat i s daty z vyšších vrstev atmosféry,“ vysvětluje Jeffrey Gawrych z The Weather Company.
Ti, co mají nainstalovanou aplikaci The Weather Channel, mají povolené užívání údajů o pozici telefonu a mají telefon vybaven barometrem (mnoho vyšších novějších modelů), pak do systému přispívají anonymními tlakovými údaji z barometru telefonu. „Dostáváme jen GPS údaj o poloze telefonu a naměřenou hodnotu tlaku, nic jiného. Velmi nám to ale pomáhá upřesňovat modely, protože velice přesně například vidíme, jak se pohybují hranice tlakových front,“ zdůvodňuje specialista.
Předpovědní modely se podle Gawryche aktualizují každých zhruba šest hodin, v případě GRAF to nyní bude každou hodinu.
Umělá inteligence vybírá nejlepší model
Průběžné zpracování obrovského množství heterogenních dat - podle Matta Niessena z IBM jde o zhruba 300 TB denně - vyžaduje obří výpočetní výkon. GRAF proto běží na cloudovém clusteru se stroji osazenými grafickými čipy, které potřebný výkon nabízí.
„Díky naší akvizici společností IBM před třemi lety máme přístup nejen k výpočetnímu výkonu, ale i nejmodernějším technologiím, jako je systém umělé inteligence Watson a jeho systém strojového učení, který využíváme k neustálé optimalizaci předpovědí. Náš předpovědní systém využívá zhruba 180 různých modelů a každý z nich má svá specifika - a lepší výsledky v určitých lokalitách nebo situacích. A právě umělou inteligencí řešíme použití těch aktuálně nejvhodnějších modelů pro danou lokalitu, která přinese co nejpřesnější výsledky. Neustále porovnáváme předpovědi pro daný čas a dané místo z různých modelů s později naměřeným skutečným stavem počasí - a to je zpětná vazba, pomocí které se systém neustále učí a tím vylepšuje,“ popisuje zástupce The Weather Company.
I díky tomu je podle Gawryche současná předpověď na pět dnů dopředu stejně přesná jako předpověď na jeden den dopředu před deseti lety.
Další vylepšení takzvané „hyperlokální“ předpovědi, na kterém ve The Weather Company aktuálně pracuje, je využití „elevačního modelu“, tedy přesné výškové terénní mapy. Tak se do modelu přesněji zapracuje působení terénu a jeho lokální vliv na počasí.
Energetika a zemědělství
Pokud by bylo výsledkem tohoto vývoje pouze upřesnění informace, zda si máte zítra přibalit deštník, nebo ne, pak by do vývoje předpovědních modelů určitě nikdo tolik neinvestoval.
Výsledky stále jemnějších modelů však slouží například energetikům, aby dokázali lépe plánovat potřebný výkon (tedy budou přesněji vědět, kdy lidé budou více topit či klimatizovat), ale také se mohou připravit na působení živlů a přijmout například preventivní opatření přesně v těch místech, kde budou nejsilnější větry nebo třeba největší úhrny srážek.
Dalším odvětvím, pro které jsou tyto modely velmi důležité, je zemědělství, kde pomáhají přesněji plánovat setí, sklizně a další úkony.
Další oblastí jsou samozřejmě systémy včasného varování obyvatel před působením daných živlů, pro které jsou přesná lokální data klíčová.