Hello, Selamat datang di wikitanic.com.
Badai Frances
Sebelum era komputer, peramal cuaca menganalisis pengamatan yang diplot pada grafik kertas, menggambar isobar dan fitur lainnya dan — berdasarkan pengetahuan dan pengalaman mereka sebelumnya — membuat grafik kondisi di masa mendatang, seringkali satu hari ke depan. Mereka menggabungkan data pengamatan dan aturan praktis berdasarkan prinsip fisik untuk memprediksi apa yang akan terjadi setelah keadaan tertentu. Hasilnya tidak dapat diandalkan karena dua alasan utama: datanya jarang, dan aturan empiris tidak dapat diandalkan [TM244 or search for “thatsmaths” at irishtimes.com].
Selama sekitar enam puluh tahun terakhir, prakiraan telah didasarkan pada model komputer yang secara numerik memecahkan persamaan matematika yang menyatakan hukum fisika. Pendekatan ini sangat berbeda tetapi, setelah awal yang goyah, model prediksi cuaca numerik (NWP) telah menjadi sangat akurat, dengan keterampilan peramalan meningkat sekitar satu hari setiap dekade. Sekarang ada tanda-tanda kembali ke metode analog, berbasis data.
Kebangkitan AI
Dengan derap kecerdasan buatan (AI) yang tak terhindarkan, kini dimungkinkan untuk membangun model yang mengambil data cuaca masukan dan menghasilkan prakiraan tanpa daya tarik langsung ke fisika atmosfer. Dengan menggunakan basis data yang sangat besar dari pengamatan dan prakiraan sebelumnya, serta algoritme pembelajaran mesin, model ini menyimpulkan bobot untuk nilai input yang memaksimalkan akurasi kuantitas yang diprediksi. Ada jutaan bobot, tetapi setelah dihitung, bobot tersebut dapat digunakan berulang kali untuk menghasilkan prediksi yang jauh lebih cepat daripada model konvensional yang didasarkan pada pengintegrasian persamaan gerak.
Kemajuan yang paling spektakuler adalah di bidang Siaran sekarang, atau ramalan untuk beberapa jam ke depan. Prediksi yang akurat dari kejadian ekstrem seperti badai petir bisa jadi menantang. Data radar sangat berharga tetapi sulit diasimilasi ke dalam model konvensional. Baru-baru ini, tim di Google Research mengembangkan sistem yang mengambil urutan gambar radar dan memprediksi apa yang akan ditampilkan radar selama enam jam ke depan. Mereka memecahkan masalah visi komputer: tidak ada input hukum fisik, tetapi sistem belajar dari data pelatihan bagaimana mensimulasikan perilaku fisik. Prediksi efektif seketika, dan lebih akurat daripada prakiraan konvensional yang membutuhkan waktu berjam-jam untuk diproduksi.
GraphCast
https://arxiv.org/pdf/2212.12794.pdf
Model HRES dari European Center for Medium-Range Weather Forecasts (ECMWF) adalah sistem peramalan cuaca operasional deterministik yang paling akurat di dunia. Sistem prediksi AI yang disebut “GraphCast”, dikembangkan oleh para peneliti di Google dan DeepMind, didasarkan pada jaringan saraf grafik dan dilatih berdasarkan data cuaca historis dari ECMWF. Hasil terbaru menunjukkan bahwa GraphCast memiliki keterampilan yang jauh lebih besar daripada HRES untuk sebagian besar variabel dan rentang waktu yang diuji. Ini merupakan kemajuan besar dalam pemodelan cuaca.
Model NWP saat ini terdiri dari inti dinamis, berdasarkan persamaan gerak dan parameterisasi, atau representasi perkiraan, dari proses fisik. Fisika sudah dapat ditingkatkan menggunakan AI, tetapi beberapa ilmuwan percaya bahwa mungkin sudah waktunya untuk “membuang inti dinamis” dan menggantinya dengan DLWP (Prediksi Cuaca Pembelajaran Mendalam). Salah satu pendukungnya adalah Prof Dale Durran dari University of Washington. Dia berpendapat bahwa perubahan seperti itu dapat mengurangi waktu yang dibutuhkan untuk menghasilkan prakiraan, mendapatkan prediksi probabilistik yang lebih baik, dan menangkap peristiwa cuaca ekstrem dengan lebih andal.
ECMWF, berbasis di Reading, tidak memiliki rencana untuk mengganti inti dinamis dari model mereka dalam waktu dekat. Namun mereka mengamati perkembangan DLWP dan sangat menyadari bahwa perubahan dramatis dalam cara kami memperkirakan cuaca akan segera terjadi.
Sumber
