Παρα πολυ καλος ο Ιαπωνας                                                                                                                                                                                  

....στην άλλη ζωή 

Καλησπέρα και καλή χρονιά σε όλους. Τίποτα δεν αποκλείεται. Όλα πιθανά είναι. 

Θα ήθελα να κάνω μια γρήγορη αναφορά στις διαφορές των AI μοντέλων σε σχέση με τα συμβατικά μοντέλα πρόγνωσης καιρού καθώς νομίζω δεν έχει αναφερθεί καθόλου στο φόρουμ .Σορρυ για όποια λαθάκια βαριόμουν να το διαβάσω κι αλλες φορες.!!Αν κάποιος  θέλει πηγές ας μου στειλει μνμ να του στείλω αν και βρίκονται όλα εύκολα στο google.   Για τους βιαστικούς που βαριούνται να διαβάσουν να αναφέρω ότι ενώ τα κλασικά μοντέλα κάνουν προγνώσεις λύνοντας εξισώσεις φυσικής το AI ουσιαστικά προβλέπει το τι θα γίνει συγκρίνοντας με παρόμοιες περιπτώσεις του παρελθόντος . Αν και το AI σε πολλές περιπτώσεις είναι πιο ακριβές από τα κλασικά  μοντέλα για την ώρα θεωρείτε λιγότερο αξιόπιστο .  Λοιπόν έχουμε τα Data-driven μοντέλα που βασίζονται στο machine learning, το ΑΙ του ευρωπαίου( Artificial Intelligence/Integrated Forecasting System AIFS) και τα αριθμητικά (numerical weather prediction NWP) μοντέλα εδώ ανήκουν όλα τα γνωστά αγαπημένα μας μοντέλα. Τα NWP χρησιμοποιούν τις αρχικές συνθήκες που τους δόθηκαν διαιρούν την ατμόσφαιρα σε ένα τρισδιάστατο πλέγμα και απλά λύνουν εξισώσεις προσομοιάζοντας την ατμόσφαιρα της Γης.  Εαν οι αρχικές συνθήκες είναι σωστές και σε μεγάλη ανάλυση, θεωρητικά μπορούν να προβλέψουν με ακρίβεια τον καιρό. Πρακτικά ποτέ οι αρχικές συνθήκες δεν είναι ακριβώς οι ίδιες που επικρατούν στην ατμόσφαιρα πχ απο Σιβηρία δεν μπορούμε να έχουμε τον ιδιο όγκο δεδομένων με πχ την κεντρική Ευρώπη. Αλλά και να είχαμε, μόνο ένας κβαντικός υπολογιστής θα μπορούσε λύσει σε ευλογο χρόνο τις εξισώσεις. Για σύγκριση το AI του ευρωπαίου μπορεί να χρειαστεί 8 λεπτά ανάλυσης αντί για λίγες ώρες που μπορεί να χρειάζεται το κανονικό. Πλεονεκτήματα: 1.Παρέχουν βαθιά κατανόηση των ατμοσφαιρικών διεργασιών. 2.Αντιμετωπίζουν καλύτερα ακραία φαινόμενα και πολύπλοκα συστήματα λόγω της φυσικής τους βάσης. 3.Μπορούν να παρέχουν προβλέψεις σε πολλές χρονικές κλίμακες, από ώρες έως εβδομάδες.   Περιορισμοί: 1.Απαιτούν τεράστια υπολογιστική ισχύ, συνήθως με τη χρήση υπερυπολογιστών. 2.Τα λάθη μπορούν να αυξηθούν εκθετικά με την πάροδο του χρόνου, μειώνοντας την ακρίβεια για μακροπρόθεσμες προβλέψεις. 3.Η ανάλυση περιορίζεται από την υπολογιστική ισχύ, επηρεάζοντας τη λεπτομέρεια σε τοπικό επίπεδο.   Τα Data-driven βασίζονται κυρίως στη μηχανική μάθηση (ML), την τεχνητή νοημοσύνη και στατιστικές τεχνικές. Αναλύουν μεγάλες βάσεις δεδομένων, όπως ιστορικά δεδομένα καιρού, δορυφορικά δεδομένα και πραγματικές παρατηρήσεις, για να εντοπίσουν μοτίβα και να κάνουν προβλέψεις. Πλεονεκτήματα: 1.Μπορούν να επεξεργαστούν τεράστιες ποσότητες δεδομένων γρήγορα. Παρόμοια αποτελέσματα με τα αριθμητικά μοντέλα με κλάσμα της υπολογιστικής δύναμης που αυτά θα χρειαζοντουσαν. 2.Είναι ιδιαίτερα αποτελεσματικά για βραχυπρόθεσμες προβλέψεις και αναγνώριση μοτίβων. 3.Δεν απαιτούν βαθιά φυσική κατανόηση της δυναμικής της ατμόσφαιρας. Περιορισμοί: 1.Δυσκολεύονται να προβλέψουν σπάνια ή ακραία φαινόμενα που δεν υπάρχουν στη βάση  δεδομένων. 2.Εξαρτώνται σε μεγάλο βαθμό από την ποιότητα και την ποσότητα των ιστορικών δεδομένων.   Το  AIFS του ευρωπαϊου είναι λοιπόν ένα υβριδικό μοντέλο που συνδυάζει τα καλά και των δύο κόσμων! Τα δεδομένα που χρησιμοποιεί είναι απο το ERA5 και από το 1979 νομίζω μέχρι το 2018. Εκπαιδεύτηκε συγκρίνοντας τις δικές του προβλέψεις με τις πραγματικές συνθήκες μεταξύ 2018-2023.    Και ποιο μοντέλο λοιπόν είναι πιο ακριβές στις προβλέψεις; Τα  Data-driven(ΑΙ)  ή τα αριθμητικά; Τα data driven υπερτερούν:  - για προβλέψεις 1-3 ημερών  -στις τροπικές περιοχές  -σε ακραίες θερμοκρασίες  -στη δυτική πλευρά των ωκεάνιων λεκανών. Υστερούν:  -για προβλέψεις 7-10 ημερών → λόγω blurring δλδ τάση η πρόβλεψη να πλησιάζει τη θεωρητική μέση τιμή καθώς αυτό είναι το λογικό για το AI.  -σε υψηλότερα γεωγραφικά πλάτη → λόγω χρήσης δεδομένων βασισμένων σε μικρό γεωγραφικό πλάτος.  -σε ακραίες ταχύτητες ανέμου → λόγω ξεχωριστής εκπαίδευσης για ανέμους με φορά δύση προς ανατολή (U , westerly άνεμος) και με φορά βορρά προς νότο (V, southerly )  στη ανατολική πλευρά των ωκεάνιων λεκανών και στη μέση μεγάλων ηπειρωτικών περιοχών → λόγω έλλειψης βασικών μεταβλητών και αδυναμίας εκτίμησης της δυναμικής των ωκεανών. -στην πρόβλεψη του υετού.  Συνολικά ενώ σχεδόν σε κάθε παράμετρο για εως 5 μέρες μπροστά είναι καλύτερα από τα αριθμητικά μοντέλα το αυξημένο ποσοστό λάθους για ακραία φαινόμενα ( τα οποία μας ενδιαφέρουν περισσότερο από ένα ήπιο σύστημα , μόνο το 2024 τα ακραία φαινόμενα κόστισαν 90 δις στην Αμερική που αποτελεί ρεκόρ) , το μεγαλύτερο εύρος λάθους και η έλλειψη μεγάλου αριθμού υποσεναρίων ( τα ensembles είναι το δυνατό σημείο των αριθμητικών μοντέλων) τα καθιστούν κατώτερα των αριθμητικών. Νομίζω πως τα επόμενα λίγα χρόνια η πρόγνωση θα αλλάξει σημαντικά υπέρ των υβριδικών μοντέλων που θα υποσκελίσουν τα κλασικά αριθμητικά που όλοι αγαπήσαμε!  

Κι ένα ουτοπικό σενάριο υπερ-μύθου Αθήνας απο τζεμαρο