| CorvusCorax 2026-08-23 05:09:09 | Ансамбль HGEFS объединяет две независимые прогностические системы, каждая из которых вносит ровно половину «голосов» (по 31 участнику):
31 участник классической GEFS — традиционная физическая модель, которая просчитывает гидродинамические уравнения атмосферы на суперкомпьютере, запуская симуляции с небольшими возмущениями в начальных данных. 31 участник ИИ-модели AIGEFS — новая нейросетевая система, построенная на базе архитектуры GraphCast от Google DeepMind и дообученная на исторических данных NOAA. В отличие от классического подхода, она находит скрытые закономерности в массивах данных и делает это мгновенно. |
| CorvusCorax 2026-08-23 05:16:13 | Параметров в этой модели пока очень мало, сугубо обзорная вещь
https://www.nco.ncep.noaa.gov/pmb/products/hgefs/h gefs.t00z.sfc.avg.f012.grib2.shtml 001 10 m above ground UGRD 12 hour fcst U-Component of Wind [m/s] ens mean 002 10 m above ground VGRD 12 hour fcst V-Component of Wind [m/s] ens mean 003 2 m above ground TMP 12 hour fcst Temperature [K] ens mean 004 mean sea level PRMSL 12 hour fcst Pressure Reduced to MSL [Pa] ens mean 005 surface APCP 6-12 hour acc Total Precipitation [kg/m^2] ens mean |
| CorvusCorax 2026-08-23 05:17:02 | https://www.nco.ncep.noaa.gov/pmb/products/hgefs/h gefs.t00z.pres.avg.f000.grib2.shtml
01 50 mb HGT analysis Geopotential Height [gpm] ens mean 002 100 mb HGT analysis Geopotential Height [gpm] ens mean 003 150 mb HGT analysis Geopotential Height [gpm] ens mean 004 200 mb HGT analysis Geopotential Height [gpm] ens mean 005 250 mb HGT analysis Geopotential Height [gpm] ens mean 006 300 mb HGT analysis Geopotential Height [gpm] ens mean 007 400 mb HGT analysis Geopotential Height [gpm] ens mean 008 500 mb HGT analysis Geopotential Height [gpm] ens mean 009 600 mb HGT analysis Geopotential Height [gpm] ens mean 010 700 mb HGT analysis Geopotential Height [gpm] ens mean 011 850 mb HGT analysis Geopotential Height [gpm] ens mean 012 925 mb HGT analysis Geopotential Height [gpm] ens mean 013 1000 mb HGT analysis Geopotential Height [gpm] ens mean 014 50 mb SPFH analysis Specific Humidity [kg/kg] ens mean 015 100 mb SPFH analysis Specific Humidity [kg/kg] ens mean 016 150 mb SPFH analysis Specific Humidity [kg/kg] ens mean 017 200 mb SPFH analysis Specific Humidity [kg/kg] ens mean 018 250 mb SPFH analysis Specific Humidity [kg/kg] ens mean 019 300 mb SPFH analysis Specific Humidity [kg/kg] ens mean 020 400 mb SPFH analysis Specific Humidity [kg/kg] ens mean 021 500 mb SPFH analysis Specific Humidity [kg/kg] ens mean 022 600 mb SPFH analysis Specific Humidity [kg/kg] ens mean 023 700 mb SPFH analysis Specific Humidity [kg/kg] ens mean 024 850 mb SPFH analysis Specific Humidity [kg/kg] ens mean 025 925 mb SPFH analysis Specific Humidity [kg/kg] ens mean 026 1000 mb SPFH analysis Specific Humidity [kg/kg] ens mean 027 50 mb TMP analysis Temperature [K] ens mean 028 100 mb TMP analysis Temperature [K] ens mean 029 150 mb TMP analysis Temperature [K] ens mean 030 200 mb TMP analysis Temperature [K] ens mean 031 250 mb TMP analysis Temperature [K] ens mean 032 300 mb TMP analysis Temperature [K] ens mean 033 400 mb TMP analysis Temperature [K] ens mean 034 500 mb TMP analysis Temperature [K] ens mean 035 600 mb TMP analysis Temperature [K] ens mean 036 700 mb TMP analysis Temperature [K] ens mean 037 850 mb TMP analysis Temperature [K] ens mean 038 925 mb TMP analysis Temperature [K] ens mean 039 1000 mb TMP analysis Temperature [K] ens mean 040 50 mb UGRD analysis U-Component of Wind [m/s] ens mean 041 100 mb UGRD analysis U-Component of Wind [m/s] ens mean 042 150 mb UGRD analysis U-Component of Wind [m/s] ens mean 043 200 mb UGRD analysis U-Component of Wind [m/s] ens mean 044 250 mb UGRD analysis U-Component of Wind [m/s] ens mean 045 300 mb UGRD analysis U-Component of Wind [m/s] ens mean 046 400 mb UGRD analysis U-Component of Wind [m/s] ens mean 047 500 mb UGRD analysis U-Component of Wind [m/s] ens mean 048 600 mb UGRD analysis U-Component of Wind [m/s] ens mean 049 700 mb UGRD analysis U-Component of Wind [m/s] ens mean 050 850 mb UGRD analysis U-Component of Wind [m/s] ens mean 051 925 mb UGRD analysis U-Component of Wind [m/s] ens mean 052 1000 mb UGRD analysis U-Component of Wind [m/s] ens mean 053 50 mb VGRD analysis V-Component of Wind [m/s] ens mean 054 100 mb VGRD analysis V-Component of Wind [m/s] ens mean 055 150 mb VGRD analysis V-Component of Wind [m/s] ens mean 056 200 mb VGRD analysis V-Component of Wind [m/s] ens mean 057 250 mb VGRD analysis V-Component of Wind [m/s] ens mean 058 300 mb VGRD analysis V-Component of Wind [m/s] ens mean 059 400 mb VGRD analysis V-Component of Wind [m/s] ens mean 060 500 mb VGRD analysis V-Component of Wind [m/s] ens mean 061 600 mb VGRD analysis V-Component of Wind [m/s] ens mean 062 700 mb VGRD analysis V-Component of Wind [m/s] ens mean 063 850 mb VGRD analysis V-Component of Wind [m/s] ens mean 064 925 mb VGRD analysis V-Component of Wind [m/s] ens mean 065 1000 mb VGRD analysis V-Component of Wind [m/s] ens mean 066 50 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 067 100 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 068 150 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 069 200 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 070 250 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 071 300 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 072 400 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 073 500 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 074 600 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 075 700 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 076 850 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 077 925 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean 078 1000 mb VVEL analysis Vertical Velocity (Pressure) [Pa/s] ens mean |
| CorvusCorax 2026-08-23 05:21:08 | Оперативные данные (ГРИБ2) тут
https://nomads.ncep.noaa.gov/pub/data/nccf/com/hge fs/prod/ Например https://nomads.ncep.noaa.gov/pub/data/nccf/com/hge fs/prod/hgefs.20260822/18/ensstat/products/atmos/g rib2/ А тут АИГФС https://nomads.ncep.noaa.gov/pub/data/nccf/com/aig fs/prod/ |
| CorvusCorax 2026-09-04 07:11:02 | Google запустила WeatherNext 3 — свою самую точную глобальную ИИ-модель прогнозирования погоды. Она использует спутниковые данные в реальном времени, обновляет прогноз каждый час и выдаёт локальные карты в пять раз более высоком разрешении; модель уже встроили в Google Search, Gemini, Maps, Google Maps Platform и Cloud.
https://blog.google/innovation-and-ai/models-and-r esearch/google-deepmind/introducing-weathernext-3/ |
| CorvusCorax 2026-09-04 09:58:14 | WeatherNext 3 генерирует почасовые прогнозы с различным пространственным разрешением, поддерживая физическую согласованность от общих глобальных ветровых режимов до местной топографии.
С помощью WeatherNext 3 мы можем визуализировать ключевые параметры поверхности — такие как температура и влажность — с разрешением 5 километров, другие параметры поверхности — с разрешением 10 километров, а параметры атмосферы, такие как скорость ветра, — с разрешением 25 километров. В целом, это обеспечивает глобальную картину погоды примерно в пять раз более четкую, чем наша предыдущая модель, WeatherNext 2, которая выдавала прогнозы на сетке 25 километров с шагом в 6 часов. Благодаря использованию мозаики данных с глобальных геостационарных спутников в режиме реального времени, наша новая модель получает богатое, постоянно обновляемое представление об атмосфере. Это позволяет модели генерировать новый прогноз каждый час, каждый из которых основан на самых последних доступных спутниковых наблюдениях с разрешением до 5 километров. Это важно, потому что критические погодные явления развиваются быстро. Когда штормы, фронты или системы осадков возникают внезапно, наш быстрый цикл обновления данных и более высокое разрешение позволяют получить более раннюю и подробную информацию, необходимую для эффективного реагирования. Мы составляем глобальные прогнозы погоды, обновляемые ежечасно и готовые к интеграции в ваши рабочие процессы без необходимости настройки модели. Это позволяет исследователям, разработчикам и компаниям запрашивать данные в BigQuery и Earth Engine или загружать их пакетами из Google Cloud Storage. Предупреждение: Официальные прогнозы погоды, предупреждения о неблагоприятных погодных условиях и рекомендации по обеспечению общественной безопасности следует направлять в местное метеорологическое агентство или национальную метеорологическую службу. |
| CorvusCorax 2026-09-04 10:14:53 | WeatherNext 3: Increasing resolution and
performance of global weather models with raw observations https://storage.googleapis.com/deepmind-media/pape rs/weathernext_3.pdf |
| CorvusCorax 2026-09-04 10:41:06 | Группы переменных по разрешению:
5 км (Surface / 2m): Temperature (2t), Dewpoint (2d), Total Precipitation (tp). 10 км (Surface / Other): Surface Pressure (sp), Mean Sea Level Pressure (msl), Solar Radiation (ssrd), Soil Moisture (swvl1). 25 км (Atmosphere / Pressure Levels): U and V Wind Components (u, v), Geopotential (z), Temperature (t), Specific Humidity (q) на стандартных уровнях от 1000 hPa до 10 hPa. |
| CorvusCorax 2026-09-04 10:41:45 | WeatherNext 3 рассчитывает прогнозы с нативным шагом в 1 час (без интерполяции), а горизонт (период) прогнозирования зависит от типа прогона:
До 15 дней (360 часов): Для основных 6-часовых глобальных прогонов (00:00, 06:00, 12:00, 18:00 UTC). Включает полный набор данных, включая трехмерные атмосферные слои. До 48 часов: Для оперативных промежуточных прогонов, которые инициализируются каждый час (01:00–05:00, 07:00–11:00 UTC и т.д.) на основе свежих данных со спутников. Сфокусированы на краткосрочном прогнозе и приземных параметрах. |
| CorvusCorax 2026-09-05 05:45:18 | https://deepmind.google.com/science/weatherlab
Обзорная карта WeatherNext 3. Мелкая, неудобная. Но есть поиск по локациям, тогда можно посмотреть прогноз на 15 дней по нужному пункту. |
| CorvusCorax 2026-09-05 06:01:57 | Первое впечатление: на первые 5-7 дней Т и осадки правдоподобные (но осадки даются ежечасные, что затрудняет восприятие), скорость ветра занижена (это болезнь многих моделей, реалистичный ветер только у ГФС и на втором месте Рединг).
На 7-15 сутки по осадкам похоже на правду, а Т какая-то очень сглаженная, околоклиматическая, совсем не информативно. В этом плане АИФС и АИГФС на голову выше. Главная проверка новой модели будет зимой: сможет ли она корректно прогнозировать Тмин в условиях антициклональной инверсии (особенно при наличии снежного покрова). Пока это умеют делать (и то не идеально) только канадская модель и Рединг. У большинства моделей в таких условиях чудовищные ошибки в 5-10 градусов (а раз прогноз Тмин некорректен, то невозможен и правильный прогноз туманов, низкой облачности и так далее). |
| SanyaS 2026-09-05 07:25:05 | CorvusCorax
это болезнь многих моделей, реалистичный ветер только у ГФС и на втором месте Рединг Особенно МК ГМЦ этим отличается, по его мнению у меня щас 4 м/с, ах-ха! |
| CorvusCorax 2026-09-05 12:01:10 | Более подробный список переменных:
Gridded surface variables (0.1 resolution) 1-hour step variables are available across all initialization runs (6-hourly and interim hourly) on BigQuery, Earth Engine, and Google Cloud Storage. 6-hour accumulation variables (surface_solar_radiation_downwards_6hr, total_sky_direct_solar_radiation_at_surface_6hr, total_precipitation_6hr) are available only in 6-hourly synoptic inits exclusively on Google Cloud Storage (Full Ensemble Zarr). Variable Name Description Units Resolution Temperature & Humidity temperature_2m Температура воздуха на высоте 2 метра K 0.1 dewpoint_temperature_2m Температура точки росы на высоте 2 метра K 0.1 Wind (Surface & Turbine Hub Height) wind_speed_10m Скалярная скорость ветра на высоте 10 метров m/s 0.1 wind_speed_100m Скалярная скорость ветра на высоте 100 метров m/s 0.1 u_component_of_wind_10m Зональный (восточный) компонент ветра U на высоте 10 метров m/s 0.1 v_component_of_wind_10m Меридиональный (северный) компонент ветра V на высоте 10 метров m/s 0.1 u_component_of_wind_100m Зональный (восточный) компонент ветра U на высоте 100 метров m/s 0.1 v_component_of_wind_100m Меридиональный (северный) компонент ветра V на высоте 100 метров m/s 0.1 Solar Irradiance (Renewable Energy) surface_solar_radiation_downwards_1hr Потоки нисходящей солнечной радиации на поверхности за 1 час (SSRD / Глобальная солнечная радиация) J/m2 0.1 total_sky_direct_solar_radiation_at_surface_1hr Прямая солнечная радиация при безоблачном небе на поверхности за 1 час (FDIR / Прямой пучок) J/m2 0.1 surface_solar_radiation_downwards_6hr Потоки нисходящей солнечной радиации на поверхности за 6 часов (SSRD / Глобальная солнечная радиация) (только в 6-часовых циклах на GCS Zarr) J/m2 0.1 total_sky_direct_solar_radiation_at_surface_6hr Прямая солнечная радиация при безоблачном небе на поверхности за 6 часов (FDIR) (только в 6-часовых циклах на GCS Zarr) J/m2 0.1 Precipitation total_precipitation_1hr Накопленные осадки за 1 час (нативные данные модели) m 0.1 imerg_tp_1hr Калиброванные по спутнику IMERG осадки за 1 час m 0.1 experimental_tp_1hr Экспериментальные спутниково-радарные осадки за 1 час m 0.1 total_precipitation_6hr Накопленные осадки за 6 часов (только в 6-часовых циклах на GCS Zarr) m 0.1 Cloud Layers & Cover total_cloud_cover Коэффициент общего облачного покрова во всем атмосферном столбе 0-1 0.1 high_cloud_cover Коэффициент облачного покрова верхнего яруса 0-1 0.1 medium_cloud_cover Коэффициент облачного покрова среднего яруса 0-1 0.1 low_cloud_cover Коэффициент облачного покрова нижнего яруса 0-1 0.1 Pressure & Ocean mean_sea_level_pressure Среднее давление на уровне моря Pa 0.1 sea_surface_temperature Температура поверхности моря K 0.1 Precipitation units: All 1-hour precipitation variables (total_precipitation_1hr, imerg_tp_1hr, and experimental_tp_1hr) report 1-hour accumulated precipitation in meters (m) across all platforms. Multiply values by 1,000 to convert to millimetres (mm). |
| CorvusCorax 2026-09-05 12:06:23 | Вот это калиброванные по станциям данные (что-то вроде комплексного прогноза ГМЦ), должно хорошо работать при инверсиях
Station point variables (0.05° resolution) Trained directly against surface weather station measurements. Available across all inits on BigQuery, Earth Engine, and Google Cloud Storage. Variable Name Description Units Resolution station_head_temperature_2m 2 metre air temperature at station locations K 0.05° station_head_dewpoint_temperature_2m 2 metre dew point temperature at station locations K 0.05° |
| CorvusCorax 2026-09-05 12:08:55 | Atmospheric variables (0.25 resolution, pressure levels)
Available across 13 vertical pressure levels (50, 100, 150, 200, 250, 300, 400, 500, 600, 700, 850, 925, 1000 hPa) for 6-hourly inits (00, 06, 12, 18 UTC) exclusively on Google Cloud Storage (Full Ensemble Zarr). Variable Pattern Description Units Resolution geopotential_{level} Геопотенциал m2/s2 0.25 specific_humidity_{level} Удельная влажность kg/kg 0.25 temperature_{level} Температура воздуха K 0.25 u_component_of_wind_{level} Зональный (восточный) компонент ветра U m/s 0.25 v_component_of_wind_{level} Меридиональный (северный) компонент ветра V m/s 0.25 vertical_velocity_{level} Вертикальная скорость Pa/s 0.25 Replace {level} with the pressure level in hPa (for example, geopotential_500 represents geopotential at 500 hPa). In unflattened raw Zarr stores, variables are indexed along the level coordinate dimension. |
| CorvusCorax 2026-09-05 12:22:24 | Структура каталогов
https://developers.google.com/weathernext/guides/g cs |
| CorvusCorax 2026-10-02 08:41:36 | Сравнение GraphCast (нейросетевая модель от Google DeepMind) и IFS (Integrated Forecasting System — традиционная физическая модель Европейского центра среднесрочных прогнозов, ECMWF) — это главное противостояние в современной метеорологии. Оно олицетворяет битву между ИИ-прогнозированием (AIWP) и классическим численным прогнозированием погоды (NWP).
ЕЦСПМ (ECMWF) официально прекратил поддерживать графики сторонних ИИ-моделей (включая GraphCast) на своем основном сайте из-за перехода на собственную операционную ИИ-модель AIFS и обновления физической модели IFS до цикла 50r1. Подробный разбор сильных и слабых сторон 1. Точность среднесрочных прогнозов (До 10 дней) В прогнозировании стандартных параметров (например, температура на высоте 2 метра или давление на уровне моря) GraphCast забирает лидерство. Она намного точнее определяет траектории движения крупных циклонов на 5–7 дней вперед, поскольку нейросеть мгновенно улавливает глобальные взаимосвязи в атмосфере Земли. 2. Проблема «размытия» и экстремальных явлений Главная слабость GraphCast в сравнении с IFS — это прогнозирование осадков и интенсивности штормов. • IFS рассчитывает физический объем влаги и конвекцию, поэтому выдает четкие зоны сильных ливней. • GraphCast стремится выдать статистически «наиболее вероятный» результат. Из-за этого зоны экстремальных осадков у нее получаются слегка размытыми, а пиковые значения ветра и осадков занижаются (ИИ «боится» ошибиться на экстремумах). 3. Проблема «Доменного сдвига» (Зависимость от физики) GraphCast не может существовать без IFS. ИИ-модели критически зависят от начального состояния атмосферы, которое поставляют традиционные численные модели (так называемый анализ данных). При крупном обновлении физической модели IFS (например, недавнем апгрейде ECMWF до цикла 50r1), у GraphCast падает точность. Это происходит потому, что ИИ учили на данных старого образца, и новые вводные форматы вызывают у нее «смятение» (Domain Shift). Итог На текущий момент метеорология пришла к гибридному подходу. Физическая модель IFS незаменима для сбора оперативных данных с датчиков по всему миру и расчета локальных опасных явлений, в то время как GraphCast и её преемники (вроде свежей WeatherNext 3 от Google или AIFS от самого ECMWF) превосходно и за копейки рассчитывают долгосрочную глобальную динамику погоды на недели вперед. |
| CorvusCorax 2026-10-02 08:46:40 | AIFS, AIGFS и AICON — это передовые глобальные метеорологические ИИ-модели. Они представляют собой нейросетевые версии ведущих мировых физических суперкомпьютерных моделей. Главное различие между ними кроется в разработчиках, исходной математической базе и географических сетках, на которых они обучались.
Развертывание ИИ-прогнозирования полностью изменило ландшафт метеорологии. Вместо абстрактных коммерческих тестов (вроде GraphCast от Google) национальные метеослужбы создали свои «оперативные» ИИ-движки, привязанные к реальным спутниковым данным. Детальные особенности каждой модели 1. ECMWF AIFS (Европейский флагман) Модель AIFS считается одной из самых стабильных в ИИ-метеорологии. Европейский центр обучил её на колоссальном массиве климатического реанализа ERA5. • Особенности: В отличие от базовых ИИ, которые сильно сглаживают экстремальные значения, AIFS версии 2.0 дообучена на оперативных данных высокого разрешения (цикл IFS 50r1). • Эффективность: Она на 20% точнее классических физических моделей предсказывает траектории разрушительных тропических циклонов. Её данные официально интегрированы в европейские системы предупреждения о наводнениях EFAS и GloFAS. 2. NOAA AIGFS (Американский ответ) Модель AIGFS (совместно с ансамблевой версией AIGEFS) — это результат глубокой модернизации знаменитой американской модели GFS. • Особенности: Американцы не стали писать архитектуру с нуля, а взяли за основу проверенный алгоритм GraphCast от Google DeepMind и провели его глубокий тюнинг (Fine-Tuning) на базе своей системы усвоения данных GDAS. • Инновации: Для борьбы с главной болезнью ИИ — «размытием» осадков (когда модель боится экстремумов и усредняет дождь на большой площади), в AIGFS внедрили спектральную гармоническую функцию потерь. Это заставило модель удерживать четкие физические границы штормов и ураганов. 3. DWD AICON (Немецкая точность) Модель AICON стоит особняком благодаря уникальной геометрии. Традиционная модель ICON использует сетку из треугольников (икосаэдров), покрывающих Землю, и ИИ-версия полностью унаследовала эту структуру. • Особенности: Разработчики применили революционную вертикальную систему координат SLEVE ( terrain-following vertical coordinate), которая в точности повторяет сложный рельеф местности (горы, низины, ущелья). • Результат: За счет учета ландшафта AICON драматически превосходит другие погодные ИИ в прогнозировании приземных параметров — точной температуры у земли, влажности воздуха в долинах и локальных порывов ветра на малых высотах. |
| CorvusCorax 2026-10-02 08:48:07 | Детальное сравнение по ключевым параметрам прогноза
1. Глобальная тропосфера и среднесрочный прогноз (3–10 дней) В прогнозировании крупномасштабных атмосферных явлений (движение циклонов, смена воздушных масс, барические системы) AIFS лидирует с ощутимым отрывом. • Причина: AIFS обучалась на европейском архиве ERA5/IFS. Физическая модель IFS изначально точнее американской GFS примерно на 12–24 часа прогноза. Нейросеть унаследовала эту точность. Согласно отчетам Climate Impact Company, по интегральному баллу точности на 6–10 дней AIFS стабильно обходит GFS-платформу. 2. Экстремальные осадки и штормы Здесь наблюдается падение точности у всех ИИ-моделей, но AIGFS показывает более детализированную картинку, чем базовая AIFS. • Базовая AIFS страдает типичной болезнью ИИ — «размытием» осадков (модель часто занижает пиковые ливни и завышает площадь мелкой мороси). • В AIGFS американские инженеры заложили спектральную функцию потерь (loss function). За счет этого AIGFS точнее удерживает градиенты и физические границы ураганов, не давая ИИ искусственно «сглаживать» сильные дожди. 3. Приземные параметры (Погода у земли: 0–3 дня) В этой категории AICON (Германия) часто бьет и американцев, и европейцев, несмотря на то, что это региональный игрок. • Причина: И AIFS, и AIGFS используют сглаженную сетку, из-за чего они плохо «видят» физический рельеф (горы, долины, изрезанную береговую линию). • AICON использует икосаэдрическую сетку со специальной вертикальной координатой, в точности повторяющей ландшафт. Поэтому в точности прогноза приземного ветра, утренних заморозков в низинах или температурных инверсий в холмистой местности AICON побеждает за счет топографической точности. |
| CorvusCorax 2026-10-02 08:54:38 | GraphCast против ECMWF HRES (Science, декабрь 2023)
В ходе сравнительного анализа было протестировано 1380 контрольных показателей: комбинации из 6 атмосферных переменных x 13 уровней давления x нескольких сроков прогноза от 6 часов до 10 дней. GraphCast превзошел HRES по 90% из 1380 целевых показателей. При заблаговременности в 5-10 дней преимущество GraphCast было наиболее заметным в отношении ветра на верхних слоях атмосферы и геопотенциальной высоты. По поверхностным переменным (температура на высоте 2 метра, ветер на высоте 10 метров) показатели были примерно одинаковыми. Что касается экстремальных погодных явлений, GraphCast лучше отслеживал траектории сильных штормов, но показал слабые результаты в отношении экстремальной интенсивности осадков. Источник: Лам и др., "Обучение эффективному глобальному прогнозированию погоды на средние сроки", Science, том 382, выпуск 6677, 14 декабря 2023 года. doi:10.1126/science.adi2336. |
| CorvusCorax 2026-10-02 08:55:09 | Плюсы и минусы прогнозирования погоды с помощью искусственного интеллекта
Плюсы Скорость: Полный 10-дневный глобальный прогноз менее чем за минуту по сравнению с несколькими часами для ансамблевого численного прогноза погоды. Стоимость: Затраты на логический вывод составляют ничтожную долю от стоимости работы суперкомпьютерного комплекса численного прогноза погоды. Точность (средний диапазон): По большинству показателей соответствует или превосходит традиционный численный прогноз погоды при заблаговременности 5–10 дней. Масштабируемость: Многие продукты для прогнозирования с помощью ИИ теперь доступны бесплатно через API (Google, Microsoft, Европейское космическое агентство). Вероятностное прогнозирование: Такие модели, как GenCast, позволяют дешево генерировать большие ансамбли, улучшая количественную оценку неопределенности. Демократизация: Небольшие страны, не располагающие суперкомпьютерными ресурсами, могут запускать модели ИИ на скромном оборудовании. Минусы Экстремальные явления:Систематически недооценивает интенсивность осадков, приводящих к серьезным последствиям. Детализация на коротких дистанциях:Все еще отстает от численного прогноза погоды с высоким разрешением для «прогнозирования на 0–12 часов вперед». «Черный ящик»:Сложно интерпретировать, диагностировать и использовать в реальных условиях. Зависимость от обучающих данных:Требуется качественный исторический реанализ; производительность снижается, если в этих данных есть искажения. Риск климатических изменений:Может давать неточные результаты в новых климатических условиях, которые недостаточно представлены в обучающих данных. Зависимость от NWP: По-прежнему полагается на традиционную ассимиляцию для определения начальных условий. |
| CorvusCorax 2026-10-02 08:57:18 | Как метеорологи используют ИИ сегодня
В 2026 году метеорологи не просто считывают данные, полученные с помощью ИИ, и выдают прогнозы. Рабочий процесс более сложный: Сравнение нескольких моделей: синоптики сравнивают модели на основе ИИ (GraphCast, AIFS, GenCast), традиционные детерминированные модели (ECMWF HRES, GFS, UKMET) и ансамблевые продукты. Модели искусственного интеллекта — это еще один голос в дискуссии. Выявление расхождений в моделях: Когда модели искусственного интеллекта и модели численного прогноза погоды расходятся, это само по себе является информацией — она указывает на неопределенность прогноза и требует более тщательного анализа. Пост-обработка с помощью ИИ: Многие метеорологические службы используют машинное обучение не для составления первичного прогноза, а для статистической пост-обработки: берут результаты численного прогноза погоды и применяют изученные поправки для устранения локальных искажений. Это называется статистикой выходных данных модели (Model Output Statistics, MOS) в классической форме и является стандартом с 1970-х годов. Современная MOS на основе глубокого обучения значительно улучшает прогнозы температуры и ветра на поверхности. Трансляция сейчас: От Google MetNet и DeepMind NowcastNet - это модели искусственного интеллекта, специально разработанные для прогнозирования осадков в высоком разрешении за 0-2 часа. NowcastNet был опубликован в Природав 2022 году и превзошел традиционные методы прогнозирования текущего момента в слепой оценке, проведенной 50 синоптиками Метеорологического управления Великобритании. Обнаружение опасных погодных явлений: Сверточные нейронные сети, обученные на радиолокационных изображениях, теперь помогают выявлять характерные признаки сильных гроз (вращение, град), зачастую обрабатывая данные быстрее, чем при ручном методе. Система MRMS (Multi-Radar/Multi-Sensor) Национального управления океанических и атмосферных исследований США включает в себя компоненты машинного обучения. |
| CorvusCorax 2026-10-02 08:58:10 | Сравнение моделей прогнозирования погоды с помощью искусственного интеллекта и численных моделей прогнозирования погоды для прогнозов осадков на 1-7 дней (англ.)
https://journals.ametsoc.org/view/journals/wefo/40 /4/WAF-D-24-0081.1.xml |
| CorvusCorax 2026-10-05 03:06:21 | В конце прошлого месяца Дональд Трамп (Donald Trump) велел всем государственным служащим США использовать термин «superintelligence» вместо AI, и этот шаг уже вызвал всплеск количества регистраций доменов в национальной зоне «.si», номинально выделенной для Словении.
В сентябре, по данным официальной статистики, количество регистраций доменных имён второго уровня в зоне «.si» выросло на 2199 %. Непосредственно на 30 сентября пришлось 11 000 регистраций, и эту статистику уже можно смело увязывать с действиями американского президента по «смене вывески для искусственного интеллекта». За вчерашние сутки в этой зоне было зарегистрировано 12 309 новых доменных имён. Если учесть, что всего в данной зоне зарегистрировано 262 267 имён на момент публикации материала, а один только сентябрь прибавил 46 066 регистраций, то можно с уверенностью говорить о серьёзном влиянии Трампа на динамику регистраций имён в зоне «.si». По своей популярности домены в зоне «.si» вряд ли смогут приблизиться к «.ai» в обозримом будущем, но динамика роста их востребованности наверняка будет высокой, поскольку они остаются более доступной альтернативой вторым. В Словении сбором средств за регистрацию доменных имён занимается отдельная организация, и деньги не поступают в государственный бюджет напрямую, как это происходит в Ангилье. При этом последняя берёт больше денег за регистрацию — $90 в год, причём минимальный срок аренды составляет два года. Словения пока ограничивается $12 в год. |
| CorvusCorax 2026-10-05 11:23:15 | Китайским учёным удалось создать модель FuXi, которая в среднесрочных прогнозах на 10 суток даже превзошла AIFS. Но главное — именно с FuXi начался переход на большие временные масштабы. Так родилась FuXi-S2S — первая оперативная субсезонная ИИ-модель, способная заглядывать на срок до шести недель.
Научная основа модели опубликована в журнале Nature Communications. Построенная на её базе операционная метеорологическая система получила имя Fengshun (кит. «Попутный ветер»), или Фэншунь в русской транскрипции. Систему разработала команда из Метеорологического управления Китая (CMA) и Фуданьского университета (FDU). Различные версии модели Fengshun заняли первые места в весеннем (MAM) и летнем (JJA) сезонах международного соревнования AI Weather Quest, обойдя по точности классическую физическую модель IFS — признанный эталон, используемый ECMWF. Модель увеличила горизонт точного прогнозирования осцилляции Маддена — Джулиана — ключевого климатического явления, влияющего на погоду всей планеты — с 30 до 36 дней. Шесть дополнительных дней на субсезонном масштабе — это колоссальный скачок. Fengshun блестяще спрогнозировала аномальное наводнение в Пакистане в 2022 году за четыре недели до его начала. Для сравнения: классическая модель ECMWF до последнего занижала масштабы бедствия. Китайские учёные доказали, что модель не просто угадывает. Проанализировав её алгоритмы, они обнаружили: для предсказания экстремальных осадков в Пакистане ИИ анализировал температуру поверхности океана за тысячи километров, фактически отслеживая явление Ла-Нинья. Это убедительное свидетельство того, что нейросеть «понимает» физические закономерности планетарного масштаба. Модель выдаёт ежедневный прогноз на 42 дня вперёд. Генерация полного прогноза занимает всего 7 секунд на одной видеокарте NVIDIA A100. Для классических численных моделей, требующих суперкомпьютеров и часов вычислений, это немыслимая скорость. Нейросеть натренирована на 67 годах исторических данных о погоде из реанализа ERA5. Главная инновация Fengshun — уникальный подход к созданию ансамблей (множества вариантов прогноза для оценки неопределённости). Вместо того чтобы просто вносить возмущения в начальные погодные данные — как делают классические модели — ИИ сжимает всю метеорологическую информацию в математическое «скрытое пространство» (latent space) и добавляет вероятностные возмущения непосредственно там. Такой подход не даёт прогнозу «рассыпаться» и терять детали со временем — хроническая проблема стандартных субсезонных моделей. Ежедневные прогнозы модели публикуются на платформе MAZU Всемирного метеорологического центра в Пекине. Синоптика |
| Sahara 2026-10-05 12:26:19 | публикуются на платформе MAZU Всемирного метеорологического центра в Пекине
CorvusCorax А ссылки на продукты нет? |
| CorvusCorax 2026-10-06 16:33:46 | Supplementary Information: Meet the challenge of predictability desert: a machine learning model that outperforms conventional global subseasonal forecast models
https://www.alphaxiv.org/pdf/2312.09926 Стать про FuXi-S2S и её сравнение с другими моделями |
| CorvusCorax 2026-10-06 16:47:54 | Готовых, постоянно обновляющихся карт прогнозов именно от FuXi-S2S в открытом доступе нет. Это принципиальный момент: FuXi-S2S — это исследовательская модель, а не оперативный сервис вроде ECMWF или Гидрометцентра, который публикует свежие карты каждый день.
Если вам нужны именно готовые картинки с прогнозами на 2–6 недель вперед, стоит использовать оперативные системы, которые работают по схожим принципам и доступны прямо сейчас. Проект S2S (ECMWF): Это глобальная база данных, где собираются прогнозы от 13 ведущих центров (включая ECMWF, UKMO, JMA и др.). Там есть готовые карты и данные в реальном времени с задержкой в 1–2 дня. Портал: https://ecds.ecmwf.int/datasets/s2s-forecasts?tab= download S2S Museum: Отдельный сайт, где куратор (Dr. Mio Matsueda) выкладывает готовые карты экстремальных погодных явлений и аномалий на основе данных S2S. Это может быть ближе всего к тому, что вы ищете визуально. JMA (Япония): Японское метеоагентство публикует свои субсезонные прогнозы в виде гридов (GRIB2), которые также можно визуализировать. Резюме: Если нужны именно готовые карты FuXi-S2S — их нет в открытом доступе. Ближайшая альтернатива — скачать их исторические прогнозы с Hugging Face и построить карты самому, либо смотреть оперативные карты из проекта S2S, который выполняет ту же задачу — субсезонное прогнозирование. |
| CorvusCorax 2026-10-08 11:09:38 | ссылки на продукты нет?
Sahara О, нашёл. Fengshun (Фэншунь, кит. «Попутный ветер») — это операционная метеорологическая система и субсезонная климатическая ИИ-модель, разработанная совместно Метеорологическим управлением Китая (CMA) и Фуданьским университетом (FDU). В её основе лежит архитектура нейросети FuXi-S2S (от англ. Subseasonal-to-Seasonal — прогнозирование на срок от 2 недель до нескольких месяцев). Главные особенности и технические характеристики: Временной горизонт и шаг: Модель выдаёт ежедневный прогноз на 42 дня (6 недель) вперёд. Это устраняет традиционный «разрыв» между краткосрочными синоптическими прогнозами (до 10–14 дней) и долгосрочными климатическими трендами. Невероятная скорость вычислений: Генерация полного 42-дневного глобального прогноза занимает всего около 7 секунд на одной видеокарте NVIDIA A100 (для сравнения: традиционные физические модели требуют часов работы суперкомпьютеров). Обучение на ERA5: Нейросеть натренирована на 67 годах исторических глобальных данных атмосферного реанализа ERA5. Инновация в создании ансамблей (Latent Space Perturbations): Классические модели оценивают неопределённость, внося возмущения в начальные данные погоды, из-за чего долгосрочный прогноз быстро теряет детализацию. Fengshun сжимает метеоданные в математическое «скрытое пространство» (latent space) и добавляет вероятностные возмущения прямо туда. Это предотвращает «размытие» полей давления и осадков на 3–6 неделях. Почему о ней заговорили в научном сообществе? Превосходство над эталонной моделью IFS (ECMWF): В международных соревнованиях по ИИ-прогнозированию погоды (AI Weather Quest) системы семейства Fengshun обошли европейскую модель IFS (Европейский центр среднесрочных прогнозов) по точности на субсезонных интервалах. Предсказание осцилляции Маддена — Джулиана (MJO): MJO — ключевое колебание атмосферной циркуляции в тропиках, влияющее на погоду всей планеты. Fengshun увеличила горизонт точного прогнозирования MJO с 30 до 36 дней. Успешное предсказание экстремальных событий: Системе удалось за 4 недели спрогнозировать катастрофическое наводнение в Пакистане в 2022 году. Анализ алгоритмов показал, что ИИ учёл температуру поверхности океана и фазу явления Ла-Нинья за тысячи километров от региона — то есть выявил реальные физические телесвязи. Многосферность (FengShun-CSM): В развитии концепции китайские исследователи представили версию климатической системы (Climate System Model), которая моделирует физические взаимодействия 29 переменных не только атмосферы, но и океана и морского льда на сроки до 60 дней. Где публикуются результаты? Ежедневные оперативные прогнозы и карты предупреждений системы транслируются через платформу MAZU Всемирного метеорологического центра в Пекине (WMC-BJ) http://ew4all.wmc-bj.net/EW4ALL/predictions Там слева экрана вертикальный столбец иконок. Для перехода на клим. модель надо выбрать вторую снизу иконку (солнце за тучей и молния). |
| Sahara 2026-10-08 12:45:56 | нашёл
Для перехода на клим. модель надо выбрать вторую снизу иконку CorvusCorax Благодарю! |