Tədbirlər : Remi Lam (Google DeepMind) Alvaro Sanchez-Gonzalez (Google DeepMind) Matthew Willson (Google DeepMind) Peter Wirnsberger (Google DeepMind) Meire Fortunato (Google DeepMind) Ferran Alet (Google DeepMind) Suman Ravuri (Google DeepMind) Timo Ewalds (Google DeepMind) Zach Eaton-Rosen (Google DeepMind) Weihua Hu (Google DeepMind) Alexander Merose (Google Research) Stephan Hoyer (Google Research) George Holland (Google DeepMind) Oriol Vinyals (Google DeepMind) Jacklynn Stott (Google DeepMind) Alexander Pritzel (Google DeepMind) Shakir Mohamed (Google DeepMind) Peter Battaglia (Google DeepMind) Tədbirlər : Remi Lam (Google DeepMind xəritədə) Alvaro Sanchez-Gonzalez (Google DeepMind) Matthew Willson (Google DeepMind) ilə bağlı xəbərlər Peter Wirnsberger (Google DeepMind) ilə bağlı Meire Fortunato (Google DeepMind) Fərran Alet (Google DeepMind) Suman Ravuri (Google DeepMind) Timo Ewalds (Google DeepMind) haqqında Zach Eaton-Rosen (Google DeepMind) ilə bağlı xəbərlər Xatırladaq ki, “Google DeepMind” Alexander Merose (Google araşdırmaları) Stephan Hoyer (Google araşdırmaları) George Holland (Google DeepMind) ilə bağlı xəbərlər Orijin Vinyalları (Google DeepMind) Ana Səhifə / Google DeepMind Aleksandr Pritzel (Google DeepMind) Şakir Mohamed (Google DeepMind) Peter Battaglia (Google DeepMind) ilə bağlı xəbərlər “Global Mid-range Weather Forecasting” (GSM) “GraphCast” (“GrafCast”) (“GrafCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“GraphCast”) (“ Keywords: hava prognozları, ECMWF, ERA5, HRES, learning simulation, graph neural networks Introduksiya İtaliyada Bolonjada 2022-ci ilin Oktyabr ayının ortasında saat 05:45 UTC-dir və Avropa Orta Tərtəbəli Hava Prognozları Merkezi (European Centre for Medium-Range Weather Forecasts, ECMWF) yeni High-Performance Computing Facility işləməyə başlayıb.Son bir neçə saat ərzində İntegrated Forecasting System (IFS) dünyanın önümüzdən günlər və haftalar ərzində hava vəziyyətini prognozlaşdırmaq üçün sofistiki hesabatlar keçirib və ilk prognozları istifadəçilərə yayılmaya başlayıb. IFS, və modern hava prognozları daha general olaraq, bilimi və inqilabın təriflərdir. Hava sistemləri dinamikləri yer üzündə ən kompleks fiziki fenomənlərdən biridir, və hər gün, çoxlu sayda seçkilər olan bireylər, sektorlar, və politikacılar doğru hava prognozlarına bağlıdır, qapı və ya təhlükəli bir fırtınadan qaçmaq seçmək. Günümüzdə hava prognozlaşdırma dominant yaklaşım “numerikal hava prognoz” (NWP), superkomputerlər istifadə ilə hava rəqabətləri düzəltmək ilə bağlıdır. NWP uğur qısa və davamlı araşdırma pratikləri ilə bağlıdır ki, hava fenomenləri daha çox ayrıntılı təsiri verir, və NWP ölçüləri daha böyük hesabat resursları ilə daha yüksək həddədir [3, 2]. Sonuç VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. VVD - Hollandiyada futbolçu bu adla tanımır ki, Hollandiyada, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Qeyd edək ki, ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ- Grafiqi Burada “GraphCast” adlı global orta sahədə hava öhdəliyi üçün yeni bir MLWP metodunu təqdim edirik ki, yalnız bir Google Cloud TPU v4 cihazında bir dəqiqədən az bir müddət ərzində doğru 10 günlük öhdəlik verir və tropik ciklon izləri, atmosferik çaylar və ekstrem temperaturları öngörmək kimi uygulamaları dəstəkləyir. GraphCast dünyanın ən son iki hava vəziyyətini – bu saat və altı saatdan əvvəl – input olaraq alır və öncəki hava vəziyyətini altı saat öndə öngörür. Biriki hava vəziyyətini 0,25° genişlik / uzunluk ağı (721 × 1440), bu, ekvatorda 28 × 28 kilometr çözünürlüklüyünə (Şəkil 1a) qarşılıqlıdır, orada hər ağ hissəsi yüngül və atmosferik dəyişənlərin bir seti (Şəkil 1) göstərir. GraphCast, “kod-process-decode” konfigürasiyasında GNN-lərə dayandırılmış, 36,7 milyondan çox parametrə malik bir nöral ağ arkitekturası olaraq həyata keçirilir.GNN-yə dayandırılan əvvəlki öyrənilmiş simulatörlər [31, 26] sıvıların və digər sistemlərin kompleks dinamikalarını öyrənməkdə çox etkili olmuşdur. Movqe.Az xəbər verir ki, Hollandiyada, erkən parlament seçkilərin nəticəsi çox az fərqlə iqtidardakı Liberal Partiyasının (VVD) qazandığını göstərir. The multi-mesh (Figure 1g) is a graph which is spatially homogeneous, with high spatial resolution over the globe. It is defined by refining a regular icosahedron (12 nodes, 20 faces, 30 edges) iteratively six times, where each refinement divides each triangle into four smaller ones (leading to four times more faces and edges), and reprojecting the nodes onto the sphere. The multi-mesh contains the 40,962 nodes from the highest resolution mesh, and the union of all the edges created in the intermediate graphs, forming a flat hierarchy of edges with varying lengths. Prosesor (Şəkil 1e) 16 bölünməz GNN layerini multi-meshdə öyrənilmiş mesaj keçirmək üçün istifadə edir, az mesaj keçirməklə effektiv lokal və uzun rütb informasiyanın yayılmasına imkan verir. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. ECMWF-in ERA5 [10] reanaliz arxivindən 39 il (1979-2017) tarixli məlumatları istifadə etdik. ECMWF-in reanaliz arxivindən istifadə etdiyimiz modelin geliştirilməsində, ortalama kvadrat həddi (MSE) vertikal düymə ilə ağırlaşdıq. Həddi GraphCast-in öngörülmüş vəziyyətinin və N autoregresiv həddi ilə Corresponding ERA5 statusu arasında hesabatlandırdıq. N-nin qiyməti 1 ilə 12 (yani altı saat ilə üç gün) qədər artıb. Modelin yaradılması üçün gələcəkləri informasiyaların olmayacağı real təsvirlər ilə bağlı GraphCast-i 2018-ci il tarixindən etibarən hazırlanan məlumatlara görə qiymətləndirdik (Supplements Section 5.1). Verifikasiya metodları GraphCast-in öngörülmə yetkinliğini çoxlu sayda dəyişicilər, düymələr və keçid zamanlarında HRES-in həddi ilə qarşıladıq.GraphCast, HRES və ML bazalarının bağlı yetkinliklərini iki yetkinlik metriki ilə ölçürük: kök orta kvadrat həddi (RMSE) və anomaly correlation coefficient (ACC). GraphCast-un hər bir rütb punktunda öngörülən 227 variable və level kombinasiyasından, onların 69-də WeatherBench[27] və ECMWF Scorecard[9]-dən variantlara uyğun olaraq HRES-in işləmə müddəti sırasında işlədiyi HRES ciklusunun 1.2 hissəsindəki boldface variables və levels-i görmüşük.Not, We exclude total precipitation from the evaluation because ERA5 precipitation data has known biases[15]. Main text-in reported aggregate performance, Supplements Section 7 further detailed evaluations, including other variables, regional performance, latitude and pressure level effects, spectral properties, blurring, comparisons to other ML-based forecasts, and effects of model design choices. Bu fərqlənmələr üçün iki əsas seçki: (1) əvəz etmək üçün yer üzündə həqiqət seçimi və (2) gözləmələr ilə yer üzündə məlumatları yerləşdirmək üçün istifadə olunan veritabanlarının diqqətli hesabatı. Biz GraphCast qiymətləndirmək üçün yer üzündə həqiqət kimi ERA5 istifadə etdikdən sonra, ERA5 veritabanını input olaraq qəbul etmək və ERA5 veritabanını output olaraq öngörmək üçün öyrətdik. Bununla yanaşı, ERA5 ilə qarşıda HRES öngörüləri qiymətləndirmək, ilk öngörülmə adımında null həddi olmayan hataya səbəb ola bilər. Əslində, biz HRES üçün yer üzündə həqiqət olaraq istifadə etmək üçün “HRES öngörülməsi 0” (HRES-fc0) veritabanı yaratdıq. HRES-fc0 hər bir Xahiş edirəm ki, hər gün, HRES-in dörd +/-3h pencerəsi 00z, 06z, 12z və 18z (yaxud 18z 18:00 UTC anlamına gələn), ERA5 isə iki +9h/-3h pencerəsi 00z və 12z, yaxud hər gün 06z və 18z ilə ortaq olan iki +3h/-9h pencerəsi istifadə edir. Biz GraphCast-in 06z, 06z və 18z inisiyalizasiyalarından olan prognozlarını qiymətləndirmək üçün seçdik, inputlarının daha 3h-dən daha ilki gözləmələrdən istifadə etdiyi üçün, HRES-in aynı inputs ilə qarşılaşdığını göstərdik. Biz 00z və 12z inisiyalizasiyalarından GraphCast-i qiymətləndirmədik və 12z və 12z inisiyalizasiyalarından bir HRES-in 06z və 18z-də başlanılan prognozları yalnız 3.75 günlük horizontda çalışır (HRES-in 00z və 12z-də başlanılanlar 10 gün davam edir).Bu nedenle, bizim sayılarımız çöküntüləri ilə bir keçişi göstərəcək, çünki çöküntüləri əvvəlki 3.5 gün 06z və 18z-də başlanılan HRES-lə, çöküntüləri sonra isə 00z və 12z-də başlanılanlarla bir baxışdır. Prognozların verifikasiyası Biz GraphCast 10 günlük öngörülər üçün 0.25 ° horizontal çözünürlüklü latitud / uzunluğu və 13 vertikal düymədə qiymətləndirildiyi zaman HRES-dən daha böyük hava öngörülməsi yetkinliğinə sahib olduğunu görürük. Xatırladaq ki, “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “Romeo” şirkəti “R Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xat Atmosferin HRES-in GraphCast-dən daha yaxşı performans göstəriciyi böləkləri (scorecards-da ən üst siyahıları kırmızıdır) stratosferdə fərqsiz şəkildə yerləşdirilmişdi və ən düşük antrenman zərbəsi ağırlığı vardı (Supplements Section 7.2.2) .50 hPa düymini istisna olmaqla, GraphCast, geri qalan 1280 hPa düymindən 96.9%-da HRES-dən daha yaxşı performans göstərdi. Xatırladıq ki, MSE kaybında avtomatik regresiv adımların sayının artırılması daha uzun lead vaxtlarında GraphCast performansını artırır (Supplements Section 7.3.2 ilə bax) və bu, daha uzun lead vaxtlarında daha çox blurring prognozlara yol açan spatially glossy outputs öngörüşü ilə şübhəsizliyini ifadə etməklə, bu, daha uzun lead vaxtlarında blurring prognozlara yol açan (Supplements Section 7.5.3 ilə bax). HRES-in əsas fiziki təhlilləri isə blurred prognozlara yol açmır. Rəsmi olaraq blurred GraphCast-in RMSE-dəki üstünlüyü, əgər HRES-in də öngörülməsinə izin verilməsə, blurring filtrləri GraphCast və HRES GraphCast-in performansını da ən çox yarışan ML-dəki hava modeli olan Pangu-Weather [4] ilə birləşdirdik və GraphCast-un təqdim etdiyi 252 hədəfin 99.2%-də daha yaxşı performans göstərdi. Sonrakı xəbərNeftçi xəbərlərNeftçi xəbərlər Xatırladaq ki, “GraphCast”un geniş bir rütbədəki dəyişənlər və keçid vaxtları ilə bağlı HRES-ə qarşı öngörülmüş öngörülməsinin yanı sıra, “GraphCast”un şiddətli hadisələr, tropik ciklonlar, atmosferik çaylar və ekstrem temperaturlar kimi öngörülməyə necə kömək etdiyini də qiymətləndiririk. Tropikal Cyclone yolları Graphive tropikal ciklon prognozlarının həddi artırmaq yaralanmalar və həyat kaybı verməyə kömək edə bilər, həm də ekonomiya zərərini azaldırmaq [21]. Bir ciklonun varlığı, gücü və trajektoriyası geopotensial (z), horizontal rüzgar (10 U/10 v, U/v) və ortalama dəniz düzeyində basıncı (MsL) prognozlarına bir izləmə algoritması ilə təsvir edilir.[20] Biz ECMWF-in yayımlanan protokollarına dayanan bir izləmə algoritması qurduq və GraphCast-in prognozlarına, geopotensial (z), horizontal rüzgar (Supplements Section 8.1) prognozları hazırlayaraq, əslində, biz HRES-in 0.1°ec prognozlarından alınmış operational tracks istifadə GraphCast 2018-ci illərdə HRES-dən daha az median track hatasına sahip olduğunu göstərir. HRES və GraphCast üçün per-track hataları korrelasiya edildiyi kimi, biz iki model arasındakı per-track eşidilmiş hataların fərqini da ölçdük və GraphCast'in 18 saatdan 4,75 günə qədər HRES-dən daha yaxşı olduğunu göstərdik. Atmosferik çaylar Atmosferik yağışlar atmosferin kəskin bölgeleridirlər ki, orta genişliklər arasında su buharının transportunun əksəriyyəti üçün sorğu-sual olunur və ABŞ West Coast-da yıllık yağışların 30%-65% təşkil edir [6]. Onların gücü GraphCast-un öngördükləri vertikally integrated su buhar transport IvT [23, 22], bir hadisənin faydalı yağış verəcəyi və ya katastrofalı zərərlə bağlı olacağını göstərə bilər [7]. IvT atmosferik yağışların ən yaygın olduğu vaxtlarda (Oktyabr-April), atmosferik yağışların həddi (U və v) və spesifik nemət (Q) olmayan linear kombinasiyasından hesab edilə bilər. Biz GraphCast-un atmosferik yağışların xüsusiyyətlərini göstərmək üçün spesifik hazırlanmamasına baxmayaraq Extreme Sıcak və Soğuk Xatırladaq ki, ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ- GraphCast-in 5 və 10 gün davamlı vaxtları üçün HRES-in 5 və 10 gün davamlı vaxtları ilə üstün olduğunu göstərən grafik 3d, GraphCast-in öngörüləri daha uzun horizontlarda ekstrem sınıflandırmalarda HRES-dən daha üstün olduğunu göstərir. Buna qarşılıqla, HRES 12 saat davamlı vaxtda daha yaxşı həddi xatırlatır, ki, HRES-in 2 T əvəzində GraphCast-in 2 T yetkinlik qiymətinin sıfırın yaxın olduğu ilə bağlıdır. Əvvəlki xəbərNeftçi informasiyasının nəticəsi GraphCast-in yeni verilərlə periodik olaraq re-trenə edilə bilər, bu, prinsipi olaraq, ENSO döngüsü və digər oscillasiya kimi zamanla dəyişən hava modellərini və iklim dəyişməsinin effektlərini çəkməyə imkan verir.GraphCast-in dörd variantını 1979-cu ildə başlayaraq, 2017-ci ildə, 2018-ci ildə, 2019-ci ildə və 2020-ci ildə bitirib ( 2017-ci ildə bitən variantı “GraphCast:<2018” adlandırırıq). Z500 üçün dörd variantın və HRES-in xəbəri (GraphCast:<2018) ilə normallaşdırılmışdır. z500-ə qədər edildikdə GraphCast-in performansının 2021-ci ildə HRES-lə yarışdığında, 2021-ci ilə qədər edildikdə, xəbəri daha da artıracağına inanırıq (Supplements Section 7.1.3). Sonrakı GraphCast-un HRES-ə qarşı öngörülmüş öngörülməsi və verimliliği göstərir ki, MLWP metodları şimali hava öngörülməsi metodları ilə müqayisədə konkurentdir.Artıq, GraphCast-un doğrudan hazırlanmadığı şiddətli hadisələrin öngörülməsindəki performansı, düşmənimizdə ki, bu, hava öngörülməsi üçün yeni yollar açmağa kömək edir və bu, ucuz öngörülməyi daha doğru, daha yaxındır və spesifik aplikasiyalara uyğunlaşdırmaqla, kişilər və sektorların hava bağlı qərar verməsinin genişliyini gücləndirmək üçün yeni yollar açır. GraphCast, modern ML standartlarına uyğun olaraq, memoriya izi işləmək üçün seçilmiş, 36,7 milyon parametrlə nisbətən kiçik bir modeldir. və HRES 0.1° çözünürlüklə, 137 dərəcədə və 1 saat müddətinə qədər yayılmış olsa da, GraphCast, 0.25° genişlik-uzunluq çözünürlüklü, 37 vertikal düymə və 6 saat müddətində çalışdı, ERA5 eğitim verilişinin yerli 0.25° çözünürlüklü olması və hardverə daha yüksək çözünürlüklü verilişlər daxil etməsində inžinyerlik problemləri nedeniyle. Xatırladaq ki, bir neçə ildir ki, ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ- VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Meteoroloji tədqiqatdan başqa, GraphCast, iklim və ekologiya, enerjinin, tarlasının və insan və biolojik aktivitenin yanı sıra digər kompleks dinamik sistemlər üçün yeni yollar açır. Data və material xəritədə GraphCast-in kodu və hazırlanmış ağırlıqları github-da açıq-aşkar istifadə olunur: https://github.com/ deepmind/graphcast. Bu iş European Centre for Medium Range Forecasting (ECMWF) tərəfindən açıq-aşkar istifadə edilən məlumatları istifadə edir. Biz ERA5, HRES və TIGGE məhsulları üçün ECMWF arxivinin (gizlənmiş real-time) məhsullarını istifadə edirik. Qadınlar üçün ən faydalı və ən faydalı qidalanma sistemləri: Qadınlar üçün ən faydalı qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qidalanma sistemləri: Qid tanınması Əsas səhifə Xəbərlər Kelsey Allen, Charles Blundell, Matt Botvinick, Zied Ben Bouallegue, Michael Brenner, Rob Carver, Matthew Chantry, Marc Deisenroth, Peter Deuben, Marta Garnelo, Ryan Keisler, Dmitrii Kochkov, Christopher Mattern, Piotr Mirowski, Peter Norgaard, Ilan Price, Chongli Qin, Sébastien Racanière, Stephan Rasp, Yulia Rubanova, Kunal Shah, Jamie Smith, Daniel Worrall və bizim işimiz haqqında danışıq və feedback üçün Alphabet və ECMWF-də çox sayda digərlərinə təşəkkür edirik. Biz də araşdırma topluluğuna qiymətli datasetlər verən ECMWF-ə təşəkkür edirik. Açılış paragrafının stili D. Fan et al., Science Robotics, 4 (36), Referentlər [1] Peter W Battaglia, Jessica B Hamrick, Victor Bapst, Alvaro Sanchez-Gonzalez, Vinicius Zambaldi, Mateusz Malinowski, Andrea Tacchetti, David Raposo, Adam Santoro, Ryan Faulkner, et al. Relational inductive biases, deep learning, and graph networks. arXiv preprint arXiv:1806.01261, 2018. [2] P. Bauer, A. Thorpe və G. Brunet. Numeral hava öngörüşünün sessiz devrimi. [3] Stanley G Benjamin, John M Brown, Gilbert Brunet, Peter Lynch, Kazuo Saito, və Thomas W Schlatter. 100 il öhdəlik və NWP uygulamaları. Meteorological Monographs, 59:13-1, 2019. [4] Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu və Qi Tian. Pangu-Weather: Hızlı və doğru global hava prognozları üçün 3D yüksək resolusiya modeli. arXiv preprint arXiv:2211.02556, 2022. [5] Philippe Bougeault, Zoltan Toth, Craig Bishop, Barbara Brown, David Burridge, De Hui Chen, Beth Ebert, Manuel Fuentes, Thomas M Hamill, Ken Mylne, et al. The THORPEX interaktiv böyük global ensemble. American Meteorological Society Bulletin, 91(8):1059–1072, 2010. Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə [7] Thomas W Corringham, F Martin Ralph, Alexander Gershunov, Daniel R Cayan, və Cary A Talbot. Amerika Birləşmiş Ştatlarının batısında atmosferik çaylar yağış zərərlərini çəkir. [8] Lasse Espeholt, Shreya Agrawal, Casper Sønderby, Manoj Kumar, Jonathan Heek, Carla Bromberg, Cenk Gazen, Rob Carver, Marcin Andrychowicz, Jason Hickey, et al. 12 saatlıq yağış prognozları üçün dərin öyrənmək. Nature Communications, 13(1):1–10, 2022. [9] T Haiden, Martin Janousek, J Bidlot, R Buizza, Laura Ferranti, F Prates, və F Vitart. ECMWF prognozlarının qiymətləndirilməsi, 2018-ci ilin yüksəlməsi daxildir. Hans Hersbach, Bill Bell, Paul Berrisford, Shoji Hirahara, András Horányi, Joaquín Muñoz-Sabater, Julien Nicolas, Carole Peubey, Raluca Radu, Dinand Schepers və b. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730):1999–2049, 2020. [11] Ryan Keisler. Grafik sinir ağları ilə global hava prognozları. arXiv preprint arXiv:2202.07575, 2022. [12] Kenneth R Knapp, Howard J Diamond, James P Kossin, Michael C Kruk, Carl J Schreck, et al. International best track archive for climate stewardship (IBTrACS) projekt, versiyası 4. https: //doi.org/10.25921/82ty-9e16, 2018 [13] Kenneth R. Knapp, Michael C. Kruk, David H. Levinson, Howard J. Diamond və Charles J. Neumann. tropik cyclone verilərini birləşdirən ən yaxşı iklim idarəsi arşivi (IBTrACS). American Meteorological Society Bulletin, 91(3):363-376, 2010. [14] Thorsten Kurth, Shashank Subramanian, Peter Harrington, Jaideep Pathak, Morteza Mardani, David Hall, Andrea Miele, Karthik Kashinath, və Animashree Anandkumar. FourCastNet: Adaptive fourier neuronal operatorlar istifadə edən küresel yüksək resolusiya hava prognozlarının sürətləndirilməsi. arXiv preprint arXiv:2208.05419, 2022. [15] David A Lavers, Adrian Simmons, Freja Vamborg, və Mark J Rodwell. İklim monitorinq üçün ERA5 yağışının qiymətləndirilməsi. Kraliyet Meteoroloji Şirkətinin Quarterly Journal, 148(748):3152–3165, 2022. [16] Ignacio Lopez-Gomez, Amy McGovern, Shreya Agrawal, və Jason Hickey. Neural hava modelləri ilə küresel aşırı ısınma prognozları. Əsas səhifə » Xəbərlər » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə [20] Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazaxıstanda Qazax Linus Magnusson, Thomas Haiden və David Richardson: Extreme Weather Events Verification: Discrete Predictands. [20] Linus Magnusson, Sharanya Majumdar, Rebecca Emerton, David Richardson, Magdalena Alonso-Balmaseda, Calum Baugh, Peter Bechtold, Jean Bidlot, Antonino Bonanni, Massimo Bonavita, et al. ECMWF-də Tropical Cyclone Activities at ECMWF. Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə [22] Benjamin J Moore, Paul J Neiman, F Martin Ralph, və Faye E Barthold. Nashville, Tennessee, və 1–2 May 2010-cu il tarixində şiddətli yağış yağışla bağlı fiziki proseslər: atmosferik çay və mezoskala konvektiv sistemlərin roludur. Aylıq Hava İncəsənəti, 140(2):358–378, 2012. [23] Paul J Neiman, F Martin Ralph, Gary A Wick, Jessica D Lundquist, və Michael D Dettinger. Meteoroloji xüsusiyyətləri və North America'nın Batı sahilində atmosferik axınların yer üzündə yağış effektləri ssm/i təyyarə baxışlarının 8 ilinə dayanır. [24] Tung Nguyen, Johannes Brandstetter, Ashish Kapoor, Jayesh K Gupta və Aditya Grover. ClimaX: Hava və iklim üçün əsas model. arXiv preprint arXiv:2301.10343, 2023. [25] Jaideep Pathak, Shashank Subramanian, Peter Harrington, Sanjeev Raja, Ashesh Chattopad-hyay, Morteza Mardani, Thorsten Kurth, David Hall, Zongyi Li, Kamyar Azizzadenesheli, et al. Fourcastnet: Adaptive fourier neural operatorları istifadə edən global data-düşünən yüksək resolusiya hava modeli. arXiv preprint arXiv:2202.11214, 2022. [26] Tobias Pfaff, Meire Fortunato, Alvaro Sanchez-Gonzalez və Peter Battaglia. Grafik ağları ilə ağ bazlı simülasiya öyrənmək. [27] Stephan Rasp, Peter D Dueben, Sebastian Scher, Jonathan A Weyn, Soukayna Mouatadid, və Nils Thuerey. WeatherBench: Data-dirişli hava prognozları üçün referans verilişi. Dünya sistemləri modelleməsində Advances Journal, 12(11):e2020MS002203, 2020. [28] Stephan Rasp və Nils Thuerey. Data-dirişli orta-çoxlu hava öhdəliyi, iklim simulatörləri ilə əvvəlcədən hazırlanmış bir resnet ilə: meteorbench üçün yeni model. [29] Suman Ravuri, Karel Lenc, Matthew Willson, Dmitry Kangin, Remi Lam, Piotr Mirowski, Megan Fitzsimons, Maria Athanassiadou, Sheleem Kashem, Sam Madge, et al. Radarın derin xenerativ modelləri ilə istifadə edən yetkin yağışlar. Nature, 597(7878):672–677, 2021. [30] Takaya Saito və Marc Rehmsmeier. Precision-recall-plot ROC plotundan daha informativdir ki, balanssız datasetlərdə binary klasifikatorları qiymətləndirir. PloS bir, 10(3):e0118432, 2015. [31] Alvaro Sanchez-Gonzalez, Jonathan Godwin, Tobias Pfaff, Rex Ying, Jure Leskovec, və Peter Battaglia. Graph ağları ilə kompleks fiziki simula etmək üçün öyrənmək. [32] Xingjian Shi, Zhihan Gao, Leonard Lausen, Hao Wang, Dit-Yan Yeung, Wai-kin Wong və Wang-chun Woo. Düşüncələr üçün derin öyrənmək: Bir referans və yeni model. Neural informasiya işləmə sistemləri, 30, 2017. [33] Casper Kaae Sønderby, Lasse Espeholt, Jonathan Heek, Mostafa Dehghani, Avital Oliver, Tim Salimans, Shreya Agrawal, Jason Hickey və Nal Kalchbrenner. [34] Richard Swinbank, Masayuki Kyouda, Piers Buchanan, Lizzie Froude, Thomas M. Hamill, Tim D. Hewson, Julia H. Keller, Mio Matsueda, John Methven, Florian Pappenberger, Michael Scheuerer, Helen A. Titley, Laurence Wilson və Munehiko Yamaguchi. TIGGE projesi və onun uğurları. American Meteorological Society Bulletin, 97(1):49 – 67, 2016. [35] Jonathan A Weyn, Dale R Durran, və Rich Caruana. Maşınlar hava öngörməyi öyrənə bilərlərmi? Tarixi hava verilərindən 500-hPa geopotensial yüksəkliyi öngörmək üçün dərin öyrənməyi istifadə etmək. [36] Jonathan A Weyn, Dale R Durran, və Rich Caruana. Data-dönüşmüş global hava öngörülməsini kublu bir sferada derin konvolucional sinir ağları istifadə etmək. 1 Bilgilər Bu bölümdə, GraphCast (Supplements Section 1.1), NWP bazeline HRES prognozlarını tanımlayan məlumatların və HRES-fc0 (Supplements Section 1.2) üçün yer haqqı olaraq istifadə etdiyimiz HRES (Supplements Section 1.3) üçün istifadə etdiyimiz HRES-fc0 (Supplements Section 1.2) verilərinin təhlilini veririk. Biz ECMWF-in data arşivlərinin və IBTrACS-in alt setlərindən oluşan bir çox data setlərini öyrənmək və qiymətləndirmək üçün yaratdıq [29, 28]. “archive” və “archived data” kimi adlandırdığımız, “datasets” kimi adlandırdığımız data setlərini bu arşivlərdən yaratdığımız data setlərindən ayırırıq. 1.1 Qadınlar 5 ECMWF-in ERA5 [24]1 arxivinin bir hissəsi olan, 1959-cu ildən bu günə qədər, 0.25 ° latitud / uzunluğu çözünürlüğündə və 1 saat artımlarında küresel hava göstərən böyük bir verilişdir.ERA5 arxivi, ECMWF-in 4D-Var data asimilasiya sistemi içərisində ECMWF-in 2016-cu ilin əksəriyyəti üçün işlədiyi ECMWF-in HRES modeli (çəkiliş 42r1) istifadə edən reanalizə dayanır. Our ERA5 dataset contains a subset of available variables in ECMWF’s ERA5 archive (Table 2), on 37 pressure levels2: 1, 2, 3, 5, 7, 10, 20, 30, 50, 70, 100, 125, 150, 175, 200, 225, 250, 300, 350, 400, 450, 500, 550, 600, 650, 700, 750, 775, 800, 825, 850, 875, 900, 925, 950, 975, 1000 hPa. The range of years included was 1979-01-01 to 2022-01-10, which were downsampled to 6 hour time intervals (corresponding to 00z, 06z, 12z and 18z each day). The downsampling is performed by subsampling, except for the total precipitation, which is accumulated for the 6 hours leading up to the corresponding downsampled time. 1.2 Tədbirlər VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Xatırladaq ki, HRES dünyanın ən doğru NWP-based hava modelidir, bu nedenle, HRES bazasını qiymətləndirmək üçün, HRES-in arxivləşdirilmiş tarixli prognozlarının bir datasetini qurduq. HRES-i ECMWF tərəfindən həmişə güncellenir, bu nedenle bu prognozlar prognozların hazırlanması vaxtında ən yeni HRES modelini temsil edir. HRES operational forecasts Bundan sonra ECMWF-in Metview kütləvi ilə proqnozları 0.25° genişlik/uzunluq rütbəsinə (ERA5'in çözünürlüklərinə uyğundurmaq üçün) yerləşdirdik, standart regrid parametrləri ilə. Biz bunları 6 saat aralıqlarına zamanla baxışlandırdıq. HRES proqnozlarının iki qrupu var: 10 günlük horizontlar üçün yayılan 00z/12z-də başlanılanlar və 3,75 günlük horizontlar üçün yayılan 06z/18z-də başlanılanlar. Xatırladaq ki, hər bir HRES prognozunun başlanğıcı vaxtı 00z, 06z, 12z və 18z idi. HRES-fc0 verilərimiz ECMWF-in ERA5 verilərinə bənzəyir, lakin ən son ECMWF NWP modelini prognoz vaxtında istifadə edərək asimilasiya edilir və ±3 saat aradan qaldırılan gözlemləri əhatə edir. Düşünürəm ki, ECMWF ayrıca HRES-fc0 verilərimizdən fərqlənən “HRES Analizi” verilərinin arxivini də verir. HRES Analizi verilərimiz atmosfer və yer üzündəki analizləri bir-birinə daxil edir, lakin HRES prognozlarına verilən input deyil. HRES-fc0 ECMWF HRES arxivindən 850 hPa (z850) və 925 hPa (z925) geopotensiyallara dair qiymətlərin çox az bir hissəsi sayı deyil (NaN). Bu NaN-lər 2016-2021-ci illərdə və öngörülən vaxtlarda birbaşa dağılıb. Bu, z850 üçün pixellərin 0.00001%-ini (bir pixel hər on 1440 x 721 genişlik uzunluğunun çərşənbəsi), z925 üçün pixellərin 0.00000001%-ini (bir pixel hər on min 1440 x 721 genişlik uzunluğunun çərşənbəsi üçün 1 pixel) temsil edir və performansın ölçülə biləcəyi bir nəticə yoxdur. HRES NaN handling 1.3.Tropik ciklonlar Tramp isə Con Brennanı “çox pis oğlan” adlandırıb və “çox pis oğlan” adlandırıb, amma “çox pis oğlan” adlandırıb. HRES bazası üçün biz TIGGE arxivini kullandıq ki, operational tracker ilə hesablanan ciklon izləri HRES-in 0,1 ° rezolusiya prognozlarından [8, 46]. Verilər https://confluence.ecmwf.int/display/TIGGE/Tools altında download edilə bilər XML dosyaları kimi saxlanır. Verilərimizi daha sonradan işləmək və analiz etmək üçün uygun bir formatda dəyişdirmək üçün, xətti üçün ciklon izlərini çıxaran bir analiz aparırıq. XML dosyalarındakı relevant bölmələr (taglar) “forecast” tipindədir, bunlar tipik olaraq müxtəlif başlanğıcı prognoz vaxtlarına uyğun olan bir çox izlər içerir. Bu taglarla, sonra ciklonun adını (tag “cycloneName”), genişliyi (tag “latitude”) və 8.1 Sürücü algoritması və nəticələri üçün ayrıntılı məlumat üçün baxın. 2.Notasiya və problem açıqlama Bu bölümdə, biz bütün kağızda istifadə faydalı vaxt notasiyaları tanımlayırıq (Şəkil 2.1), biz başa çatdığımız general öngörüş problemi formallaşdırmaq (Şəkil 2.2), və hava vəziyyətini modelləmək üçün necə ayrıntılı (Şəkil 2.3). 2.1 Dərslər zamanı Prognozda istifadə olunan vaxt işarəsi bir çox fərqli vaxt simvollarını işarə edə bilər, bəlkə, başlanğıc öngörülməsi zamanı, vaxtı, öngörülməsi horizonunu göstərmək üçün, bəlkə, açıqlıq və sadəlik üçün bir neçə standart termin və işarə təqdim edirik. Biz zamanın bir hissəsini “datum vaxtı” olaraq adlandırırıq, kalender günü və UTC vaxtı ilə işarə edərik. Bəlkə, 2018-06-21_18:00:00 21 iyun 2018, 18:00 UTC anlamına gəlir. Kısacası, biz bir neçə dəfə Zulu konvensiyasını da istifadə edirik: 00z, 06z, 12z, 18z 00:00, 06:00, 12:00, 18:00 UTC anlamına gəlir. 𝑡: Forecast time step index, which indexes the number of steps since the forecast was initialized. T: Prognoz horizontu, bir prognozda işlərin toplam sayını göstərən horizont. d: Validity vaxtı, belirli bir hava vəziyyətinin datumu və zamanı göstərən vaxtdır. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu Xatırladaq ki, bu, bir neçə ildir, bir neçə ildir, bir neçə ildir. Əvvəlki xəbərNeftçi: “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”in “Qəbələ”nin “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in “Qəbələ”in”in “Qəbələ”in “Qəbələ”in”in “Qəbələ”in 2.2 Prognozlar haqqında açıqlama Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərslər: Dərsl Bizim hədəfimiz tam və effektiv bir model, φ, həqiqi dinamik funksiyasının, Φ, bir neçə öngörülmə horizon, TΔd qədər hava vəziyyətini effektiv bir qədər öngörə bilər, TΔd. Biz Zd doğrudan gözləyə bilməyəcəyimizi varsayırıq, ancaq yalnız bir neçə hissəli gözlem Xd var, ki, hava mükəmməl bir qədər öngörmək üçün ehtiyacı olan vəziyyətin tam bir representasiyasıdır. Xd−Δd , Xd−2Δd , ..., Xd-dən başqa, model daha doğrudan Zd-i yaxınlaşdırmaq üçün bu adi kontekst informasiyasını istifadə edə bilər. Qeyd edək ki, ABŞ-ın İŞİD-ə müdaxilə etməsi ilə bağlı açıqlama yayılıb. Əsas səhifə » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Bu, 5-ci maddədədə açıqlamalıdır. In our work, the temporal resolution of data and forecasts was always Δ𝑑 = 6 hours with a maximum forecast horizon of 10 days, corresponding to a total of 𝑇 = 40 steps. Because Δ𝑑 is a constant throughout this paper, we can simplify the notation using (𝑋𝑡, 𝑋𝑡+1, . . . , 𝑋𝑡+𝑇 ) instead of (𝑋𝑑, 𝑋𝑑+Δ𝑑 , . . . , 𝑋𝑑+𝑇Δ𝑑 ), to index time with an integer instead of a specific date-time. 2.3. Modeling ECMWF weather data Xatırladaq ki, ABŞ-ın İŞİD-in hökmdarlığına görə, ABŞ-ın İŞİD-in hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdarlığın hökmdarlığına qarşı hökmdar ERA5 hava durumu Xt, verilişimizdə ERA5 hava durumu Xt, Tablo 2-dəki bütün dəyişənləri 0,25° horizontaldır, 721 × 1440 = 1, 038, 240 rütb və 37 vertikaldır. Atmosferik dəyişənlər bütün basınç düymlərində tanımlanır və (horizontaldır) rütb düymələri G0.25◦ = {−90.0, −89.75, . . . . . , 90.0} × {−179.75, −179.5, . . . , 180.0} ilə verilmişdir. Bu dəyişənlər öz adı ilə təkcə tanımlanır (ve atmosferik dəyişənlər üçün basınç düyməsi). Misal olaraq, yüngül dəyişən “2 metr” 2 T-yə işarə edilir; atmosferik “Geopotensiyalı” 500 hPa düymədəki Bütün bu dəyişənlərdən, modelimiz toplam 227 target dəyişən üçün 5 yüngül dəyişənə və 6 atmosfer dəyişənə öngörür. Bizim modelimiz üçün bir neçə digər statik və / və ya ekstern dəyişən də giriş konteksti olaraq verilmişdir. Bu dəyişənlər Tablo 1 və Tablo 2də göstərilir. Xt-də xt olaraq xt olaraq, xt olaraq xt olaraq, xt olaraq xt olaraq, xt-dəki belirli bir rütb point i (1,038,240-dək) ilə müqayisədəki variabillərin alt yığınına, 227 həddəki variabilin hər birinə xt olaraq adlandırırıq. Xtii, j-dəki tam status representasiyası isə 721 × 1440 × (5 + 6 × 37) = 235, 680, 480 qiymət içerməlidir. GraphCast modelləri Bu bölüm GraphCast üçün ayrıntılı bir açıqlama verir, öncə auto-regresiv generasiya bir öngörüntülər (Section 3.1), açıq-aşkar dilində mimari (Section 3.2), sonra bütün grafikləri definisiya GraphCast (Section 3.3), onun encoder (Section 3.4), prosesor (Section 3.5), və decoder (Section 3.6), həm də bütün normalizasiya və parameterization ayrıntıları (Section 3.7). 3.1 Prognozlaşdırma Bizim GraphCast modelimiz bir-çox öyrənilmiş simulatoru olaraq tanımlanır ki, bu simulatorsu Equation (2)-də φ rolunu alır və iki ardınca giriş statusu ilə bağlı bir sonraki adımı öngörür. 2013-cü ildə aparılmış arxeoloji tədqiqat işləri burada 120 kv.metrlik ərazidə yaşayış yerinin qalığının olduğunu söyləməyə əsas verir. Xatırladaq ki, ilk eksperimentlərdə, iki giriş vəziyyətinin birindən daha yaxşı performans göstərdiyini və üçünün artmış memoriya izi üçün kifayət qədər faydalı olmadığını. 2.Architektonik baxış GraphCast-in əsas simulatoru “kod-process-decode” konfigürasiyasında GNN-ləri istifadə edir [6], Şəkil 1d,e,f. GNN-ə dayanan öyrənilmiş simulatörlər sıxlıqların və digər materialların kompleks fiziki dinamikalarını öyrənməkdə çox effektivdir [43, 39], əslində, onların representasiyalarının və hesabatlarının strukturu öyrənilmiş bitki elementləri çözənlərə analoqdur [1]. GNN-lərin əsas avantajı, giriş grafiklarının strukturu, göstəricinin hansı parçalarının bir-birinə öyrənilən mesaj keçirmə yoluyla mübahisə etdiyi, hər bir rütbədəki spatial interaksiyaların istismarlı modellərini izləməliyində çox effektivdir (ya da, genişlənmiş konvulsionda, çox uzun rütbələr ilə mübahis GNN-nin istismarçı az fərqli interaksiyaların modellə edilməsinə imkan veririk ki, GraphCast-in iç "multi-mesh" representasiyasını təqdim edirik ki, bu, bir neçə mesajla keçən adımlar altında uzun sürətli interaksiyalara imkan verir və dünya çapında genellikle homogenous spatial çözünürlüklə malikdir. Xatırladaq ki, bu, bir neçə ildir ki, bu, bir neçə ildir ki, bu, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir GraphCast-in kodlayıcısı (Şəkil 1d) ilk olaraq orijinal genişlik-uzunluq ağından giriş verilərini multi-meshdə öyrənilən xüsusiyyətlərə, ağ əllərindən multi-meshə doğru yönəldilmiş borularla bir GNN-yi istifadə edir.Processor (Şəkil 1e) sonra 16 kateqoriyalı derin GNN-i multi-meshdə öyrənilən mesaj keçirmək üçün istifadə edir, uzun-uzunluq əllərindən ötürülən fərqli informasiyanı geniş yerə yaymağa imkan verir.Dekoder (Şəkil 1f) sonra son multi-mesh göstəricisini genişlik-uzunluq ağına yönəldilmiş əllərlə bir GNN-yə qaytarır və bu ağ göstəricisini, Ytk +, input statusu Xt + k ilə bir Kod və dekoder normal rektilinear ağda yerləşdiriləcəklərinə ehtiyac yoxdur və özbaşınalıqla ağ kimi vəziyyətə diskretizasiya üçün də istifadə edilə bilər [1].General arhitektura, bir çox kompleks sıvı sistemlərində və digər fiziki alətlərdə uğurlu olmuş, çoxlu GNN-yə dayanan öyrənilmiş simulatörlərə dayanır [43, 39, 15]. ECMWF-in IFS sistemi 11,664-core clusterdə çalışır və 0.1° resolusiya, 10 günlük prognozu (birinci 90 saat üçün 1 saat, saatlar üçün 3 saat, saatlar üçün 93-144, və 150-240 saatdan 6 saat işləyir [41]. HRES yayımlanmasının ayrıntılarını burada görün: https://www.ecmwf.int/en/forecasts/ datasets/set-i. 3.3 GraphCast proqramı GraphCast, “kod-process-decode” konfigürasiyasında GNN-lər istifadə edir, orada kodlayıcı kartları (yüzdən və atmosferik) input genişlik-uzunluq ağında bir çox-meshə özəlləşdirir, prosesor bir çox-meshdə bir çox tur mesaj keçirməyi yerinə yetirir və dekoder multi-mesh xüsusiyyətlərini çıxış genişlik-uzunluq ağına qaytarır (Şəkil 1). Modeli G (VG, VM, EM, EG2M, EM2G) grafika ilə işləyir, bu, sonraki paragraflarda ayrıntılı olaraq tanımlanır. V.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir ağ düğümünün v.G. hər bir hissəsinin v.G. hər bir hissinin v.G. hər bir hissinin v.G. hər bir hissinin v.G. hər bir hissinin v.G. hər bir hissinin v Grid nodes VM vM-nin hər birini içərisində olan setini temsil edir. Mesh düymələri R-refined icosahedral mesh MR. M0 bir unit-radius icosahedron (12 düymə və 20 üçüzlü üzü) ilə yüzlərlə paralel (Şəkil 1g bax). Mesh iterativ olaraq refined Mr → Mr+1 hər bir üçüzlü üzünü 4 daha kiçik üzə bölüşərək, hər bir qapının ortasında bir ekstra düymə ilə bağlıdır və yeni düymələri birliyi sferasına geri döndürür.4 Özəlliklər vM, hər bir mesh düyməsi vM ilə bağlı xüsusiyyətlər genişliyi kosini və uzunluğu sinə və kosini içərisindədir. GraphCast hər birinin giriş 3 xüsusiyyətləri ilə R = 6 dəfə refined olan bir ağla işləyir Mesh nodes VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Mesh edges For each edge 𝑒M connecting a sender mesh node 𝑣M to a receiver mesh node 𝑣M, we build 𝑣M→𝑣M edge features eM, features using the position on the unit sphere of the mesh nodes. This includes the 𝑣M→𝑣M s r length of the edge, and the vector difference between the 3d positions of the sender node and the receiver node computed in a local coordinate system of the receiver. The local coordinate system of the receiver is computed by applying a rotation that changes the azimuthal angle until that receiver node lies at longitude 0, followed by a rotation that changes the polar angle until the receiver also lies at latitude 0. This results in a total of 327,660 mesh edges (See Table 4), each with 4 input features. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Grid2Mesh edges EM2G, göndəricilərin ağ bağları ilə alıcıların ağ bağlarını bağlayan tək yönlü qapılardır. Hər ağ noktası üçün, onu içərisində olan ağ M6'da üçüzlü üzü tapırıq və eM2G vM→vG formasının üçüzlü qapılarını daxil olan üçüzlü qapıya bağlayırıq (Şəkil 1). eM2G xüsusiyyətləri, ağ vM→vG s r qapıları üçün olanlara bənzəyir. Bu, toplam 3,114,720 Mesh2Grid qapıları (721 × 1440 genişlik uzunluğunda ağ noktalarının hər birinə bağlı 3üzlü qapıları), hər birinin dörd giriş xüsusiyyətləri ilə yaradılır. Mesh2Grid edges 3.4 Kodlaşdırma The purpose of the encoder is to prepare data into latent representations for the processor, which will run exclusively on the multi-mesh. Xatırladaq ki, bu barədə “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”in “Qəbələ”nin “Qəbələ”in “Qəbələ”in” “Qəbələ”nin “Qəbələ”nin “Q Embedding the input features Next, in order to transfer information of the state of atmosphere from the grid nodes to the mesh nodes, we perform a single message passing step over the Grid2Mesh bipartite subgraph GG2M(VG, VM, EG2M) connecting grid nodes to mesh nodes. This update is performed using an interaction network [5, 6], augmented to be able to work with multiple node types [2]. First, each of the Grid2Mesh edges are updated using information from the adjacent nodes, Grid2Mesh GNN Bundan sonra hər bir ağ düyməsi bu ağ düyməsinə gələn bütün qapılardan olan məlumatları birləşdirərək güncellenir: Xatırladaq ki, bu problemlərin hər birinin həll olunmasının səbəbləri var, lakin bu problemlər həll olunmayıb. Hər üç elementin güncellenməsindən sonra, model qalan bir bağlantı içərisindədir və notasiya asanlığı üçün, variabilləri yeniləyir. 3.5 İşləmə İşlətçi yalnız Mesh düymələri və Mesh qapıları içərisində olan Mesh subgraph GM (VM, EM) üzərində işləyən dərin bir GNNdir.Mesh qapıları M6, M5, M4, M3, M2, M1 və M0 qapılarının hamısı ilə yalnız M6 qapıları ilə tam multi-mesh içərisindədir. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Multi-mesh GNN Bundan sonra hər bir ağ düyməsinin hər birini güncəlir, bu ağ düyməsinə gələn bütün qapılardan bilgi birləşdirir: İkisi də güncellendikdən sonra, representasiyalar geri qaynaqlı bir bağlantı ilə güncellenir və simvoliyadan sonra da giriş dəyişicilərinə reassign edilir: The previous paragraph describes a single layer of message passing, but following a similar approach to [43, 39], we applied this layer iteratively 16 times, using unshared neural network weights for the MLPs in each layer. 3.6 Dekodiriş Dekoderin rolü informasiyanı ağına qaytarmaq və bir çıxış çıxarmaqdır. Mesh2Grid GNN, Mesh2Mesh GNN-yə bənzər, Mesh2Grid bipartit subgraph GM2G(VG, VM, EM2G) üzərində bir mesaj keçən bir mesaj verir. Grid2Mesh GNN-nin funksiyası Mesh2Grid GNN-yə bənzər, lakin Mesh2Grid qapıları ilə xəbər göndərmək üçün. Mesh2Grid GNN Bundan sonra hər bir ağ düyməsinin hər birini güncəlir, bu ağ düyməsinə gələn bütün əllərdən olan məlumatları birləşdirir: In this case we do not update the mesh nodes, as they won’t play any role from this point on. Burada bir daha restriktiv bir bağlantı ekləyirik, və simvoliyadan ötrü, dəyişənləri, bu dəfə yalnız bu noktaya ehtiyacı olan ağ düymələri üçün yeniləyirik: Finally the prediction yˆ𝑖 for each of the grid nodes is produced using another MLP, Output function Əsas səhifə » Xəbərlər » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə 3.7. Normalization and network parameterization Similar to [43, 39], we normalized all inputs. For each physical variable, we computed the per-pressure level mean and standard deviation over 1979–2015, and used that to normalize them to zero mean and unit variance. For relative edge distances and lengths, we normalized the features to the length of the longest edge. For simplicity, we omit this output normalization from the notation. Input normalization Because our model outputs a difference, 𝑌ˆ𝑡 , which, during inference, is added to 𝑋𝑡 to produce 𝑋ˆ𝑡+1, we normalized the output of the model by computing per-pressure level standard deviation statistics for the time difference 𝑌𝑡 = 𝑋𝑡+1 − 𝑋𝑡 of each variable6. When the GNN produces an output, we multiply this output by this standard deviation to obtain 𝑌ˆ𝑡 before computing 𝑋ˆ𝑡+1, as in Equation (18). For simplicity, we omit this output normalization from the notation. Output normalization Xatırladaq ki, ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ-ın ABŞ- Neural network parameterizations 4.Sürücülük detalları This section provides details pertaining to the training of GraphCast, including the data split used to develop the model (Section 4.1), the full definition of the objective function with the weight associated with each variable and vertical level (Section 4.2), the autoregressive training approach (Section 4.3), optimization settings (Section 4.4), curriculum training used to reduce training cost (Section 4.5), technical details used to reduce the memory footprint of GraphCast (Section 4.6), training time (Section 4.7) and the software stacked we used (Section 4.8). 4.1. Training split Prognozların gələcəyinə ehtiyac yoxdur.GraphCast-un yaradılması üçün istifadə olunan verilər və performansını test etmək üçün istifadə edilən verilər "causal" olaraq bölüşürük.Bu, "testi" setinin yalnız "testi" setində olanlardan əvvəlki dataları içərisində olduğu üçün.Testi setinin 1979-2017-ci ilə, test setinin isə 2018-2021-ci illərini içərisində olduğunu göstərir. Əsas səhifə » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » 4.2 Tədbirlər GraphCast was trained to minimize an objective function over 12-step forecasts (3 days) against ERA5 targets, using gradient descent. The training objective is defined as the mean square error (MSE) between the target output 𝑋 and predicted output 𝑋ˆ, Niyə Xatırladaq ki, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train, T-Train və T VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayıb. 𝑗 ∈ 𝐽 indexes the variable, and for atmospheric variables the pressure level. E.g. 𝐽 ={z1000, z850, . . . , 2 T, MsL}, Xatırladaq ki, ABŞ-ın İtaliyada işləyənlərin sayı 0,25 faiz təşkil edir. X0+t və xd0+t bir neçə variable-level, yer, və lead zaman,j,i j,i üçün öngörülmüş və hədəflərdir. Xatırladaq ki, bu barədə “Times” məlumat yayıb. 𝑤𝑗 is the per-variable-level loss weight, Aİ (latitude-longitude grid cell) genişliyi ilə bağlı dəyişən və ağ üzərində birim ortalamasına normallaşdırılan hücumudır. Bir neçə ildir ki, bu problemin başlanğıcına səbəb ola bilər, amma bir neçə ildir ki, bu problemin başlanğıcına səbəb ola bilər, bir neçə ildir ki, bu problemin başlanğıcına səbəb ola bilər. The quantities 𝑠 = 𝕍 h𝑥𝑡+1 − 𝑥𝑡 i −1 are per-variable-level inverse variance estimates of the time differences, which aim to standardize the targets (over consecutive steps) to unit variance. These were estimated from the training data. We then applied per-variable-level loss weights, 𝑤𝑗. For atmospheric variables, we averaged across levels, with a weight proportional to the pressure of the level (normalized to unit mean), as shown in Figure 6a. We use pressure here as a proxy for the density [26]. Note that the loss weight applied to pressure levels at or below 50 hPa, where HRES tends to perform better than GraphCast, is only 0.66% of the total loss weight across all variables and levels. We tuned the loss weights for the surface variables during model development, so as to produce roughly comparable validation performance across all variables: the weight on 2 T was 1.0, and the weights on 10 U, 10 v, MsL, and TP were each 0.1, as shown in Figure 6b. The loss weights across all variables sum to 7.4, i.e., (6 × 1.0 for the atmospheric variables, plus (1.0 + 0.1 + 0.1 + 0.1 + 0.1) for the surface variables listed above, respectively). 4.3.AUTOREGRESSIVE OBJEKTİFLER İÇİN TƏHLİĞİ VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 4.4. Optimization Əsas səhifə » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » 4.5. Curriculum training schedule Birinci faza 1000 gradient aşağılıq güncelleməsi, bir autoregresiv aşağılıq funksiyası ilə 0-dan 1e−3 (Şəkil 7a) arasında linear artan bir öyrənmə həcmi planı ilə oluşmuşdu. İkinci faza 299,000 gradient aşağılıq güncelleməsi, bir də bir autoregresiv aşağılıq həcmi ilə, və yarım-cosine aşağılıq funksiyası ilə 0-ya düşən bir öyrənmə həcmi planı (Şəkil 7b). Üçüncü faza 11,000 gradient aşağılıq güncelleməsi ilə oluşmuşdu, orada autoregresiv aşağılıq həcmi sayısı 2-12-dən 1 hər 1000 yenilənmə ilə artan və 3e−7 (Şəkil 7c) ilə sabit öyrənmə həcmi ilə oluşmuşdu. 4.6 Memoriyanın azaldılması VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 4.7 Sınaq zamanı Following the training schedule that ramps up the number of autoregressive steps, as detailed above, training GraphCast took about four weeks on 32 TPU devices. 8.Software və Hardware Stack Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə » Əsas səhifə 5) Verifikasiya metodları Bu bölmədə qiymətləndirmə protokolu haqqında ayrıntılar verilmişdir.5.1 bölmədə verilərimizi kausativ şəkildə bölüşmək üçün qətnaməmizin ayrıntıları verilmişdir, qiymətləndirmə testlərimizin təsəvvür göstərilməsi üçün, t.y. hər bir ölkəyə daxil olan (5.2.2 bölmədə) hər bir ölkəyə daxil olan (5.2.2 bölmədə) fərqli baxış gözü ilə ERA5 və HRES-in etkisini (5.2.1 bölmədə) təsəvvür etməmək üçün HRES-ə özəl bir yerin gerçəkləşdirilməsinə ehtiyacdan başlayaraq, GraphCast və HRES-ə bənzəyir ki, bütün metodlar inputlarında və hədəflərində (5.2.3 bölmədə) eyni baxışdan yararlanmasın və sonunda 2018-ci ildə performans 5.1 Eğitim, validasiya və test bölmələri Test fazasında, geliştirmə fazının sonunda dondurulmuş protokolla (Sekssiya 4.1) GraphCast-in dörd versiyasını, hər birinin ayrı bir dövrdə çalışdıq.Modellər 1979–2017, 1979–2018, 1979–2019 və 1979–2020-ci illərdəki verilərlə öyrənildi. 2018–2021, 2019–2021, 2020–2021 and 2021, respectively. Again, these splits maintained a causal separation between the data used to train a version of the model and the data used to evaluate its performance (see Figure 8). Most of our results were evaluated on 2018 (i.e., with the model trained on 1979–2017), with several exceptions. For cyclone tracking experiments, we report results on 2018–2021 because cyclones are not that common, so including more years increases the sample size. We use the most recent version of GraphCast to make forecast on a given year: GraphCast <2018 for 2018 forecast, GraphCast <2019 for 2019 forecast, etc. For training data recency experiments, we evaluated how different models trained up to different years compared on 2021 test performance. 5.2 GraphCast ilə HRES-ə qarşılaşma 5.2.1 Yerli həqiqət verilişlərinin seçimi GraphCast, ERA5 məlumatlarını öngörmək üçün və ERA5 məlumatlarını input olaraq qəbul etmək üçün öyrədilmişdir; modelimizi qiymətləndirmək üçün ERA5 faktı olaraq da istifadə edirik. Bununla yanaşı, HRES öngörüləri HRES analizinə uyğun olaraq başlanılıb. Əsas olaraq, öz analizinə qarşı bir modelin verifikasiyası ən yaxşı əminləri verir [45]. Beləliklə, ERA5 öngörülərini ERA5 yer haqqına qarşı qiymətləndirməkdən ziyana görə, bu, HRES öngörülərinin sıfır həddi olmayan həddi olsa da, HRES-fc0 öngörülərini qiymətləndirmək üçün HRES-fc0 faktı olaraq HRES-fc0 faktını istifadə edirik. 5.2.2. asimilasiya pencerələrində ədalətli baxış təmin etmək When comparing the skills of GraphCast and HRES, we made several choices to control for differences between the ERA5 and HRES-fc0 data assimilation windows. As described in Section 1, each day HRES assimilates observations using four +/-3h windows centered on 00z, 06z, 12z and 18z (where 18z means 18:00 UTC in Zulu convention), while ERA5 uses two +9h/-3h windows centered on 00z and 12z, or equivalently two +3h/-9h windows centered on 06z and 18z. See Figure 9 for an illustration. We chose to evaluate GraphCast’s forecasts from the 06z and 18z initializations, ensuring its inputs carry information from +3h of future observations, matching HRES’s inputs. We did not evaluate GraphCast’s 00z and 12z initializations, to avoid a mismatch between having a +9h lookahead in ERA5 inputs versus +3h lookahead for HRES inputs. Figure 10 show the performance of GraphCast initialized from 06z/18z, and 00z/12z. When initialized from a state with a larger lookahead, GraphCast gets a visible improvement that persists at longer lead times, supporting our choice to initialized evaluation from 06z/18z. We applied the same logic when choosing the target on which to evaluate: we only evaluate targets which incorporate a 3h lookahead for both HRES and ERA5. Given our choice of initialization at 06z and 18z, this corresponds to evaluating every 12h, on future 06z and 18z analysis times. As a practical example, if we were to evaluate GraphCast and HRES initialized at 06z, at lead time 6h (i.e., 12z), the target for GraphCast would integrate a +9h lookahead, while the target for HRES would only incorporate +3h lookahead. At equal lead time, this could result in a harder task for GraphCast. 5.2.3. Initialization və validity zaman-of-day quruluşu Əvvəllər deyildiyi kimi, HRES ilə adil bir bənzər, GraphCast-i 06z və 18z başlanğıcları ilə və 12h-in çoxlu olan lead zamanları ilə qiymətləndirmək lazımdır, bu da validity zamanları da 06z və 18zdir. 3.75 günə qədər olan lead vaxtları üçün 06z və 18z inicializasiya və validity vaxtları ilə arxivləşdirilmiş HRES prognozları mövcuddur və bu, bu lead vaxtlarında GraphCast ilə bənzər-bənzər bir bənzər göstərmək üçün bunları istifadə edirik. 4 gün və bundan sonra olan lead vaxtları üçün arxivləşdirilmiş HRES prognozları yalnız 00z və 12z inicializasyonlarda mövcuddur, bu da 12 saatlıq çoxlu lead vaxtlarımızdan 00z və 12z validity vaxtları anlamına gelir. Xatırladaq ki, bu qədər 3.5 gündür ki, HRES RMSEs, GraphCast-in qiymətləndirildiyi 06z və 18z vaxtlarında olduğu qədər, 00z və 12z başlanğıcı/validity vaxtlarında ortalama daha azdır. Xatırladığımız zaman RMSE və digər qiymətləndirmə metrikləri lider vaxtı funksiyası olaraq işarə edərik ki, bu işarənin 06z/18z-də HRES-in qiymətləndirilməsindən 00z/12z-də qiymətləndirilməsinə keçdiyimiz 3.5 günlük dəyişdirilmə məbləğini bir pərəsti ilə işarə edərik. 5.2.4. Evaluation period Bizim ən böyük nəticələrimiz 2018-ci il üçün (test setimizdən) bildirilir, bu il üçün ilk prognoz başlanğıcı vaxtı 2018-01-01_06:00:00 UTC və son 2018-12-31_18:00:00 idi, ya da daha uzun lider zamanlarda HRES-i qiymətləndirməkdə 2018-01-01_00:00:00 və 2018-12-31_12:00:00 idi. 5.3 Metrik ölçüləri Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xat Bütün metriklər float32 həddi ilə hesabatlandırılmışdı və normalizasiya olmadan dəyişənlərin yerli dinamik rütbəsini istifadə etmişdi. Biz bir veriliş x j, və lead vaxtı, τ = tΔd üçün öngörülmüş öngörülmə becərini, genişliyi ağırlanan kök orta kvadrat həddi (RMSE) istifadə etdik. Root mean square error (RMSE) Niyə • 𝑑0 ∈ 𝐷eval represent forecast initialization date-times in the evaluation dataset, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırlama. • 𝑖 ∈ 𝐺0.25◦ are the location (latitude and longitude) coordinates in the grid, • x ̈d0+τ və xd0+τ bir neçə varis düyməsinin, yerinin və lider vaxtı üçün öngörülmüş və hədəfli qiymətlərdir, 𝑗,𝑖 𝑗,𝑖 • Ai, genişlik-uzunluq ağ hücresinin bölməsidir (ağıllı-uzunluğu ilə dəyişən ağın birliyi ilə normalləşdirilmişdir). Movqe.Az xəbər verir ki, Hollandiyada, erkən parlament seçkilərin nəticəsi çox az fərqlə iqtidardakı Liberal Partiyasının (VVD) qazandığını göstərir. Bütün öngörülər filtre edilmiş, bölünmüş və ya sferik harmonik alanda bölünmüş, rahatlıq üçün biz RMSEs doğrudan sferik harmonik alanda hesablayırıq, bütün yollar kvadrat kök içində alınır, Root mean square error (RMSE), spherical harmonic domain. Burada fd0+τ və f d0+τ bütün dalğın sayı j,l,m j,l,m ilə sferik harmonikaların öngörülmüş və hədəf koefficientləridir. Biz bu koeficientləri ağ bazlı verilərdən diskret sferik harmonik dönüşümə [13] istifadə edərik, bu isə ekvatorda bizim ağımızın 0.25° (28km) çözünürlüğünü çözmək üçün seçilmiş 719-ci dalğın üçüzü ilə seçilmişdir. bu, l 0-dan lmax = 719 və m -l-dən l-ə qədərdir. This RMSE closely approximates the grid-based definition of RMSE given in Equation (21), however it is not exactly comparable, in part because the triangular truncation at wavenumber 719 does not resolve the additional resolution of the equiangular grid near the poles. Bu, RMSE-nin Equation (21) definisiya ilə hesablanır, lakin tək bir yer üçün: Root mean square error (RMSE), per location. We also break down RMSE by latitude only: Orada G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.25◦ G0.40 bizim normal 0.25° rütbədəki fərqli uzunluqların sayıdır. This is computed following the RMSE definition of Equation (21) but restricted to a particular range of surface elevations, given by bounds 𝑧𝑙 ≤ 𝑧surface < 𝑧𝑢 on the surface geopotential: Root mean square error (RMSE), by surface elevation. Burada indikator funksiyasını göstərmək lazımdır. This quantity is defined as Mean bias error (MBE), per location. Qeyd edək ki, ABŞ-ın ABŞ-ın İtaliyadakı Qəhrəman Qəhrəmanlıq Ştatı (Qəhrəmanlı Qəhrəmanlıq Ştatı) və Root-mean-square per-location mean bias error (RMS-MBE). Bu, iki ayrı modelin A və B-nin per-location biasları (Şəkil (26)) arasındakı korrelasiyasını ölçür. Correlation of per-location mean bias errors. Xatırladaq ki, bu barədə “Xatırladaq” xəbər verir ki, “Xatırladaq”, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir ki, “Xatırladaq” xəbər verir. Burada Cd0+τ bir veriliş, düymə, genişlik və uzunluq üçün və d0 + τ-yi içərisində olan gün-gündüz üçün klimatoloji ortalamadır. 5.4. Statistical methodology 5.4.1.Müsahibələr arasındakı fərqlə bağlı testlər Xatırladaq ki, bu testin əsas səbəbləri var ki, bu testin əsas səbəbləri var ki, bu testin əsas səbəbləri var ki, bu testin əsas səbəbləri var. Testlərimiz üçün nominal nümunə boyutu n = 730 4 gündən az vaxtlarda, 2018-ci ilin 365 günündə gün ərzində iki prognoz başlanğıcıdan ibarətdir. (4 gündən çox vaxtda n = 729, bəlkə 5.4.2 bölməsinə baxın). Amma bu verilər (prognoz RMSEs-dəki fərqlər) zamanla avtomatik olaraq korrelasiya edilir. Təxminən bir neçə ildir ki, bu problemlər var, bir neçə ildir ki, bu problemlər var. 5.4.2. Forecast alignment Xatırladaq ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir neçə ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, bir ildir ki, Farklılıqları sayırıq Xatırladaq ki, bu barədə “Qazaxıstan”ın “Qazaxıstan”da “Qazaxıstan”ın “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxıstan”da “Qazaxı VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Əgər biz daha sonra HRES RMSE vaxt seriyası özünün sabit olduğunu varsayırıq (və ya ən azından 6 saat janrında sabit olanlara kifayət qədər yaxın) sonra E[diff-RMSEinterp( j, τ, d0)] = E[diff-RMSE( j, τ, d0)] və interpolated fərqlər də orijinal null hipotezindən uzaqlıqları test etmək üçün istifadə edilə bilər ki, E[diff-RMSE( j, τ, d0)] = 0. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 5.4.3. RMSEs üçün güvənçilik intervalları Xatırladaq ki, ABŞ-ın ABŞ-ın ABŞ-ın Qazaxıstana və Ukrayna-Qazaxıstana müqayisəsi ilə bağlı müzakirələr baş tutub, bu barədə ABŞ-ın ABŞ-ın Qazaxıstana və Ukrayna-Qazaxıstana müqayisəsi açıqlanıb. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 5.4.4. RMSE yetenek matçları üçün güvənlik intervalları From the 𝑡-test described in Section 5.4.1 we can also derive in the standard way confidence intervals for the true difference in RMSEs, however in our skill score plots we would like to show confidence intervals for the true RMSE skill score, in which the true difference is normalized by the true RMSE of HRES: Xatırladaq ki, “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ” RMSE-SStrue üçün: Biz bu güvənlik intervallarını RMSE becerisi hesablamalarımızla birlikdə planlaşdırırıq, lakin bunlara signifikans testləri üçün təvəkkül etməyəcəyimizi unutmayın. 6. Comparison with previous machine learning baselines GraphCast-in performansının digər ML metodlarla necə fərqləndiyini araşdırmaq üçün, Pangu-Weather [7]-də yayımlanan Pangu-Weather nəticələri 00z/12z initializations-dən alınmasından istifadə edirik, bu kitabın geri kalanında olduğu kimi, 06z/18z-dən başlayaraq, GraphCast üçün belə başlanğıcılar istifadə edərik. Bu, hər iki modelin aynı inputlarda initializasiya olmasını sağlar, ki, bu, Pangu-Weather (+9 saat, 5.2.2 və 5.2 bölümdə baxın). HRES initialization-in GraphCast üçün ən çox +3 saat lookahead-ə daxil olduğu üçün, 00z/18z-dən başlayaraq, biz HRES (QRA5 və ya HR-fES-ə qarşı Qather-ə qarşı QRA5 və QRM-ə qarşı QRA0) As shown in Figure 12, GraphCast (blue lines) outperforms Pangu-Weather [7] (red lines) on 99.2% of targets. For the surface variables (2 T, 10 U, 10 v, MsL), GraphCast’s error in the first several days is around 10-20% lower, and over the longer lead times plateaus to around 7-10% lower error. The only two (of the 252 total) metrics on which Pangu-Weather outperformed GraphCast was z500, at lead times 6 and 12 hours, where GraphCast had 1.7% higher average RMSE (Figure 12a,e). Prognozların verifikasiyasının nəticələri This section provides additional analysis of GraphCast’s performance, giving a fuller picture of its strengths and limitations. Section 7.1 complements the main results of the paper on additional variables and levels beyond z500. Section 7.2 further analyses GraphCast performance broken down by regions, latitude and pressure levels (in particular distinguishing the performance below and above the tropopause), illustrates the biases and the RMSE by latitude longitude and elevation. Section 7.3 demonstrates that both the multi-mesh and the autoregressive loss play an important role in the performance of GraphCast. Section 7.4 details the approach of optimal blurring applied to HRES and GraphCast, to ensure that GraphCast improved performance is not only due to its ability to blur its predictions. It also shows the connection between the number of autoregressive steps in the loss and blurring, demonstrating that autoregressive training does more than just optimally blur predictions. Finally, Section 7.5 shows various spectral analyses, demonstrating that in most cases GraphCast has improved performance over HRES across all horizontal length scales and resolutions. We also discuss the impact of differences in spectra between ERA5 and HRES. Together, those results show an extensive evaluation of GraphCast and a rigorous comparison to HRES. 7.1 Sonrakı SonrakıSonrakıSonrakıSonrakıSonrakıSonrakıSonrakıSonrakıSonrakıSonrakıSonrakı 7.1.1 RMSE və ACC Figure 13 complements Figure 2a–b and shows the RMSE and normalized RMSE difference with respect to HRES for GraphCast and HRES on a combination of 12 highlight variables. Figure 14 shows the ACC and normalized ACC difference with respect to HRES for GraphCast and HRES on the same a combination of 12 variables and complements Figure 2c. The ACC skill score is the normalized ACC difference between model 𝐴 and baseline 𝐵 as (ACC𝐴 − ACC𝐵)/(1 − RMSE𝐵). 7.1.2 RMSE təhlilləri üçün ayrıntılı signifikans testlərinin nəticələri VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 7.1.3. GraphCast üçün veriliş sürətinin effektləri MLWP metodlarının önemli bir xüsusiyyətidir ki, bu, prinsipi olaraq, son zamanlarda dəyişən hava modellərini, belə ki, ENSO döngüsü və digər oscillasiyalar, həm də iklim dəyişməsinin effektləri kimi model etmək üçün imkan verir. GraphCast-in test performansını necə dəyişdiyini araşdırmaq üçün, GraphCast-in dörd variantını, hər zaman 1979-cu ildə başlayaraq 2017-ci ildə, 2018-ci ildə və 2020-ci ildə bitirdik. (2017-ci ildə bitən variantı “GraphCast:<2018” kimi etiket etdik). Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xatırladaq ki, Xat Bu, GraphCast:<2018 və GraphCast:<2019, xüsusilə, 2021-ci il sınaq qiymətləndirilməsi üçün HRES-ə qarşı ilk öncəki vaxtlarda daha düşük becerilərinin olması üçün də faydalı ola bilər. Biz diğer dəyişicilər üçün, GraphCast:<2018 və GraphCast:<2019 hala HRES-ə üstünlük verir. 7.2 Tədbirlərin nəticələri 7.2.1 Qrupun regionları Per-region evaluation of forecast skill is provided in Figures 17 and 18, using the same regions and naming convention as in the ECMWF scorecards (https://sites.ecmwf.int/ifs/scorecards/ scorecards-47r3HRES.html). We added some additional regions for better coverage of the entire planet. These regions are shown in Figure 16. 7.2.2.Rmse yetkinlik qiymətləri latitud və basınç düyməsinə görə Xatırladaq ki, bu barədə “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin” “Qəbələ”nin “Qəbələ”nin” “Qəbələ”nin” Bu sahələrdə, tropopavuzun troposferi stratosferdən ayırdığı ortalama basıncını hər genişlikdə göstəririk. Biz ERA-15 datasetinin (1979-1993) üçün hesablanan qiymətləri istifadə edirik. Bunlar ERA5 üçün olduğu kimi tamamilə eyni olmayacaqlar, lakin yalnız tərcümə üçün böyük bir kömək kimi təsvir ediləcəklər. Biz Şəkil 2dəki qiymət kartından GraphCast-in ən düşük qiymətli basınç düymələrində (50hPa) HRES-dən daha pis performans verəcəyini görürük. Şəkil 19 göstərir ki, GraphCast-in pisləşməyə başladığı basınç düyməsi çox vaxt genişlik bağımlıdır, bəzilərində tropopavuzun ortalama düyməsini izləyir. GraphCast-in stratosferdəki azaldılmasının səbəbləri şimdiki zaman az anlaşılırdır.Azaldılan basınç düymələri üçün daha az zərər ağırlaşdırma istifadə edirik və bu, bir rol oynayır; ayrıca, stratosferdəki variabillərin öngörülməsində ERA5 və HRES-fc0 datasetləri arasındakı fərqlər də mümkündür. 7.2.3 Latitud və uzunluğu ilə bağlı biaslər In Figures 20 to 22, we plot the mean bias error (MBE, or just ‘bias’, defined in Equation (26)) of GraphCast as a function of latitude and longitude, at three lead times: 12 hours, 2 days and 10 days. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Artıq iki gündən sonra biz 2013-cü il mövsümü üçün hazırlanmış ilk maşını görəcəyik – yanvarın 28-də axşam Lotus komandası E21-i tanıyacaq. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 7.2.4 Latitude və longitude ilə RMSE skill score In Figures 25 to 27, we plot the normalized RMSE difference between GraphCast and HRES by latitude and longitude. As in Section 7.2.3, for variables given on pressure levels, we have masked out regions whose surface elevation is high enough that the pressure level is below ground on average. HRES-in GraphCast-dən daha yaxşı performans göstərici alanlar arasında şimalların (özellikle güney polunun) yaxınlığında spesifik nemətlər var; şimalların yaxınında geopotensiyal; şimalların yaxınlığında 2m temperatur və bir çox yer üzündə; və yüksək yüngül hündürlüyü olan regionlarda bir çox yüngül və ya yaxın yüngül variabilər var (bunları da bəlkə 7.2.5 bölməsinə baxın). 12 saat və 2 gündür, həm GraphCast, həm də HRES 06z/18z inicializasiya və validity vaxtlarında qiymətləndirilir, lakin 10 gündür, 06z/18z-də GraphCast ilə 00z/12z-də HRES-ə bənzəyirik. 7.2.5.Rmse yetkinlik qiymətləri yüngül hökmünə görə In Figure 25, we can see that GraphCast appears to have reduced skill in high-elevation regions for many variables at 12 hour lead time. To investigate this further we divided the earth surface into 32 bins by surface elevation (given in terms of geopotential height) and computed RMSEs within each bin according to Equation (24). These are plotted in Figure 28. Xatırladaq ki, 6 saatdan çox vaxtda, “GraphCast”in HRES-ə qarşı yetkinliyi daha yüksək yüzdən aşağı düşür, əksəriyyətdə yetkinlikdə HRES-in yetkinlikdən aşağı düşür. Xatırlayırıq ki, GraphCast, basınç düyməsinin koordinatlarının (atmosferik dəyişənlər üçün) və yüzyılın üstündəki koordinatların ( 2m temperatur və ya 10m rüzgar kimi yüzyılın üstündəki dəyişənlər üçün) bir kombinasiyası ilə definisiya edilən dəyişənlərə uyğunlaşdırılır.Bu iki koordinat sisteminin əlaqəsi yüzyılın üstündəki yüksəlməsinə bağlıdır.GrafCast, yüzyılın üstündəki yüksəlməsinə baxmayaraq, bu əlaqəni öyrənmək və ən yüksək yüzyılın üstündəki dəyişənlərin əlaqəsini öyrənmək üçün çətin olacağını düşünürük. Variables using pressure-level coordinates are interpolated below ground when the pressure level exceeds surface pressure. GraphCast is not given any explicit indication that this has happened and this may add to the challenge of learning to forecast at high surface elevations. In further work using pressure-level coordinates we propose to provide additional signal to the model indicating when this has happened. Finally, our loss weighting is lower for atmospheric variables at lower pressure levels, and this may affect skill at higher-elevation locations. Future work might consider taking surface elevation into account in this weighting. 7.3 GraphCast ablasiya 7.3.1. Multi-mesh ablation GraphCast-in performansını daha yaxşı anlaymaq üçün, GraphCast performansını multi-mesh representasiyası olmadan öyrənilən modelin bir versiyasına bənzəyirik. Sonrakı modelin arkitekturi GraphCast-a bənzəyir (bircə kodçusu və dekoderı və aynı sayı düymələri içərisində), proses blokunda grafik yalnız ən yaxşı icosahedron mesh M6 (245,760 bənzəyir, GraphCast üçün 327,660 bənzəyir). Sonuçta, ablated model yalnız kısım bənzəyir, GraphCast isə başqa uzun bənzəyir. Xatırladaq ki, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “GraphCast”, “G 7.3.2 Auto-regresiv antrenmanın effektləri VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. 7.4. Optimal blurring 7.4.1 GraphCast və HRES arasındakı yetkinlik əvəzinə effekt Movqe.Az xəbər verir ki, Hollandiyada, erkən parlament seçkilərin nəticəsi çox az fərqlə iqtidardakı Liberal Partiyasının (VVD) qazandığını göstərir. 4.2 Filtrasiya metodolojisi We chose filters which minimize RMSE within the class of linear, homogeneous (location invariant), isotropic (direction invariant) filters on the sphere. These filters can be applied easily in the spherical harmonic domain, where they correspond to multiplicative filter weights that depend on the total wavenumber, but not the longitudinal wavenumber [12]. For each initialization 𝑑0, lead time 𝜏, variable and level 𝑗, we applied a discrete spherical harmonic transform [13] to predictions 𝑥ˆ𝑑0+𝜏 and targets 𝑥𝑑0+𝜏, obtaining spherical harmonic coefficients 𝑓ˆ𝑑0+𝜏 𝑗 𝑗 𝑗,𝑙,𝑚 and 𝑓 𝑑0+𝜏 for each pair of total wavenumber 𝑙 and longitudinal wavenumber 𝑚. To resolve the 0.25° (28km) resolution of our grid at the equator, we use a triangular truncation at total wavenumber 719, which means that 𝑙 ranges from 0 to 𝑙𝑚𝑎𝑥 = 719, and for each 𝑙 the value of 𝑚 ranges from −𝑙 to 𝑙. Daha sonra hər bir öngörülmüş koeficient f ̈d0+τ-ni j, l, m, j, l-dən bağımsız bir filtre ağırlığı bτ-lə multiplikat etdik. filtre ağırlığı sferik harmonik alanda hesablanan ortalama kvadrat həddi minimiz etmək üçün ən az-qərarları istifadə edərək yerləşdirildi: 2018-ci il mövsümü ilə bağlı açıqlamalar göstərir ki, bu barədə “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin “Qəbələ”nin” “Qəbələ”nin “Qəbələ”nin” “Qəbələ”nin Hər bir lead vaxtı üçün fərqli filtrləri yerləşdirərək, blurring dərəcəsi daha uzun lead zamanlarında artan şübhə ilə artmaq mümkün idi. While this method is fairly general, it also has limitations. Because the filters are homogeneous, they are unable to take into account location-specific features, such as orography or land-sea boundaries, and so they must choose between over-blurring predictable high-resolution details in these locations, or under-blurring unpredictable high-resolution details more generally. This makes them less effective for some surface variables like 2 T, which contain many such predictable details. Future work may consider more complex post-processing schemes. An alternative way to approximate a conditional expectation (and so improve RMSE) for our ECMWF forecast baseline would be to evaluate the ensemble mean of the ENS ensemble forecast system, instead of the deterministic HRES forecast. However the ENS ensemble is run at lower resolution than HRES, and because of this, it is unclear to us whether its ensemble mean will improve on the RMSE of a post-processed version of HRES. We leave an exploration of this for future work. 7.4.3 Optimal filtrlərin transfer funksiyaları The filter weights are visualized in Figure 33, which shows the ratio of output power to input power for the filter, on the logarithmic decibel scale, as a function of wavelength. (With reference to Eşitmə (35), bu, 20 log10(bτ ) ilə eşidilir və bütün dalğın sayı l-ə uyğun olan Ce/l dalğın uzunluğu üçün.) For both HRES and GraphCast, we see that it is optimal for MSE to attenuate power over some short-to-mid wavelengths. As lead times increase, the amount of attenuation increases, as does the wavelength at which it is greatest. In optimizing for MSE, we seek to approximate a conditional expectation which averages over predictive uncertainty. Over longer lead times this predictive uncertainty increases, as does the spatial scale of uncertainty about the location of weather phenomena. We believe that this largely explains these changes in optimal filter response as a function of lead time. Görürük ki, HRES-in GraphCast-dən daha çox söndürülməsinə ehtiyacı vardır, çünki GraphCast-in öngörülməsi artıq bir qədər söndürülür (Sekssiya 7.5.3 ilə bax). VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Xatırlayırıq ki, z500 üçün GraphCast filtrinin reaksiyasında 100 km dalğın uzunluğunda görünür pərəstişlər var ki, bunlar HRES üçün yoxdur.Bu, GraphCast tərəfindən bu dalğın uzunluğuna daxil olan kiçik, pis artefaktları filtre etməyi düşünürük ki, bu, modelin içində gerçekleştirilən rütbə-nəsih və rütbə-nəsih dönüşümünün yan effektidir. 7.4.4. Relationship between autoregressive training horizon and blurring 34-ci maddədədə optimum blurring nəticələrini istifadə edirik ki, autoregresiv antrenman və daha uzun lead vaxtlarında GraphCast-in öngörülməsi arasındakı əlaqəni araşdırmalıyıq. Movqe.Az xəbər verir ki, Hollandiyada, erkən parlament seçkilərin nəticəsi çox az fərqlə iqtidardakı Liberal Partiyasının (VVD) qazandığını göstərir. Biz daha uzun-horizondakı auto-regresiv antrenmanları optimallaşdırma kimi basit bir post-processing strategiyası ilə dəyişə bilsəydik, lakin bu, belə görünməz: 34-cü figürün ikinci rübündə, optimalaşdırma keçdikdən sonra da, daha uzun-horizondakı auto-regresiv antrenmanların daha aşağı RMSE-lərə yol açdığını görürük. If one desires predictions which are in some sense minimally blurry, one could use a model trained to a small number of autoregressive steps. This would of course result in higher RMSEs at longer lead times, and our results here suggest that these higher RMSEs would not only be due to the lack of blurring; one would be compromising on other aspects of skill at longer lead times too. In some applications this may still be a worthwhile trade-off, however. 7.5 Spektral analizlər 7.5.1. Spectral decomposition of mean squared error Movqe.Az xəbər verir ki, Hollandiyada, erkən parlament seçkilərin nəticəsi çox az fərqlə iqtidardakı Liberal Partiyasının (VVD) qazandığını göstərir. Burada lmax = 719 kimi Equation (22).Hər bir bütün dalğın sayı l, yuxarıdan bir dalğın uzunluğuna Ce/l, yuxarıda Ce yerin çevresi ilə bağlıdır. Hər bir barın alanı S j,τ(l) ilə müqayisədə olan və barlar log10(1 + l) ətrafında ortaq olan güc histiogramları planlaşdırırıq (bir log frekvensiyarı ölçüsü daha asan görüntü göstərməyə imkan verir, lakin dalğın sayı l = 0 da daxil etməliyik). 2 gündür və ya daha çox vaxtda, əksəriyyətdə dəyişənlər üçün GraphCast bütün dalğın uzunluğunda HRES yetenəkliyini təkmilləşdirir. (2m temperatur gözləyici bir istisnadır). At shorter lead times of 12 hours to 1 day, for a number of variables (including z500, T500, T850 and U500) HRES has greater skill than GraphCast at scales in the approximate range of 200-2000km, with GraphCast generally having greater skill outside this range. 7.5.2. RMSE horizontal çözünürlük funksiyası kimi Xatırladaq ki, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir təyyarənin, hər bir VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Xatırladaq ki, əksəriyyəti hallarda, GraphCast prognoz verifikasiya üçün normal olaraq istifadə olunan bütün çözünürlüklərdə HRES-dən daha az RMSE-yə malikdir.Bu, optimallaşma öncə və sonrakı filtrə görədir (bəlkə 7.4 bölməsinə baxın).Sürətlər bir neçə lead zamanında və çözünürlükdə 2 metr temperatur, 12 saat lead vaxtında T 500 və 12 saat lead vaxtında U 500-dir, orada GraphCast 0.25° çözünürlükdə daha yaxşı işləyir, lakin HRES 0.5◦ və 2.5◦ arasındakı çözünürlüklərdə daha yaxşı işləyir (yaklaşık 100 və 500 km arasındakı ən kısa dalğın uzunluğuna qarşı). HRES-fc0 hədəfləri 62 km-dən az dalğın uzunluğunda bəzi sinyal içerməlidir, lakin ERA5 hədəfləri GraphCast-i qiymətləndirmək üçün istifadə edilən hədəflər GraphCast-i qiymətləndirmək üçün istifadə etmir, lakin nativ olaraq deyildir (Sekssiya 7.5.3). 7.5.3 Prognozların və hədəflərin spektru Figure 38 compares the power spectra of GraphCast’s predictions, the ERA5 targets they were trained against, and HRES-fc0. A few phenomena are notable: ERA5 və HRES-fc0 spektrasında çox böyük farklılıklar var, lakin kısa dalğın uzunluğunda. Bu farklılıqlar bir hissədə IFS (TL639 (0.28125◦) və TCo1279 (yaklaşık 0.1◦, [36]) native IFS çözünürlükləri ilə 0.25° eqiyangular ağına geri qaytarmaq üçün istifadə olunan metodlarla bağlıdır. Bununla yanaşı, bu qaytarmaqdan əvvəl də, HRES və ERA5 üçün istifadə edilən IFS versiyası, ayarları, çözünürlük və data asimilasiya metodolojisi arasında farklılıklar var və bu farklılıqlar spektraya da təsir edə bilər. Differences between HRES and ERA5 GraphCast-un öngörülməsi ilə daha da azalıb. biz inanırıq ki, bu, GraphCast-un MSE üçün optimizasiya etmək üçün yerinə yetirmək üçün öyrətdiyi blurringə qarşıdurur. Biz bu barədə 7.4 və 7.4.4 bölümlərində daha da danışmışıq. Blurring in GraphCast Biz inanırıq ki, onlar GraphCast tərəfindən hər bir autoregresiv adımda gerçekleştirilən iç ağ-da-net və ağ-da-net transformasiyaları tərəfindən gətirilən kiçik, pis artefaktlara qarşılıq verirlər. Peaks for GraphCast around 100km wavelengths Finally we note that, while these differences in power at short wavelengths are very noticeable in log scale and relative plots, these short wavelengths contribute little to the total power of the signal. Xüsusilə daha ciddi nəticələr gözləyir Biz GraphCast spesifik olaraq bu aşağılıq işləri üçün hazırlanmadığını və bu, daha yaxşı yetkinliklərin yanı sıra, GraphCast real-dünya effektləri ilə işlər üçün faydalı öngörünür, belə ki, ciklonları izləmək (Section 8.1), atmosferik çaylar karakterizasiya (Section 8.2) və ekstrem temperaturları sınıflandırmaq (Section 8.3). Hər iş də başqa bir axşada GraphCast qiymətinin qiymətləndirilməsi kimi görüle bilər: yüksək resolusiya öngörülməsi spatial və zaman strukturu (ciklon izləmə işi), GraphCast öngörüləri fərqli ölçüləri (atmospheric çaylar işi), və çox nadir olayları və temperaturları (ekstrem temperaturlar) karakterizə imkan. 8.1 Tropikal Cyclone Track prognozları Bu bölümdə, biz cyclone izləmək üçün istifadə etdiyimiz qiymətləndirmə protokolları (Supplements Section 8.1.1) və istatistik anlamlılığı analiz (Supplements Section 8.1.2) ayrıntılı, əlavə nəticələr verir (Supplements Section 8.1.3), və bizim tracker və ECMWF (Supplements Section 8.1.4) olan bir ilə onun fərqlərini yazırıq. 8.1.1. Evaluation protocol The standard way of comparing two tropical cyclone prediction systems is to restrict the comparison to events where both models predict the existence of a cyclone. As detailed in Supplements Section 5.2.2, GraphCast is initialized from 06z and 18z, rather than 00z and 12z, to avoid giving it a lookahead advantage over HRES. However, the HRES cyclone tracks in the TIGGE archive [8] are only initialized at 00z and 12z. This discrepancy prevents us from selecting events where the initialization and lead time map to the same validity time for both methods, as there is always a 6h mismatch. Instead, to compare HRES and GraphCast on a set of similar events, we proceed as follows. We consider all the dates and times for which our ground truth dataset IBTrACS [29, 28] identified the presence of a cyclone. For each cyclone, if its time is 06z or 18z, we make a prediction with GraphCast starting from that date, apply our tracker and keep all the lead times for which our tracker detects a cyclone. Then, for each initialization time/lead time pairs kept for GraphCast, we consider the two valid times at +/-6h around the initialization time of GraphCast, and use those as initialization time to pick the corresponding HRES track from the TIGGE archive. If, for the same lead time as GraphCast, HRES detects a cyclone, we include both GraphCast and HRES initialization time/lead time pairs into the final set of events we use to compare them. For both methods, we only consider predictions up to 120 hours. Çünki biz həddi aşan həqiqəti (yani, IBTrACS) ilə bağlı həddi aşdığımız üçün, qiymətləndirmə 5.2.2 maddəsində yazılan həddi aşmamalıdır, yəni, hər iki modelin həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həddi-həd Verilən bir öngörüş üçün, ciklonun öngörülən ortağı və həqiqi ortağı arasındakı hatalar geodezik uzaqlığı ilə hesablanır. 8.1 Statistika metodolojisi Computing statistical confidence in cyclone tracking requires particular attention in two aspects: Birincisi, tropik ciklon olaylarının sayıdır, ki, əksəriyyətində bağımsız olaylar olduğu düşünülə bilər. İkincisi, daha böyük olan, lakin korrelasiya punktları hesablanan, hər bir tropik ciklon hadisəsi üçün 6 saat aralığında çoxlu öngörülərdir. Biz statist təsiri daha konservativ qiymətləndirən ilk öngörüyü istifadə etməyə seçdik. Hər iki sayı 1 ilə 5 gün arasında x-axisdə x-axisdə göstərilir. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Əvvəllərki iki düşüncəyə görə, biz 95 %-lik güvənlik aralığında ciklon düzeyində bootstrapping edərik. Verilən bir lead vaxtı üçün, hər hansı bir başlanğıc vaxtı / başlanğıc vaxtı çifti gözləyirik və bunların hansı ciklondan gəldiklərini (duplikasiya olmadan) bir listə saxlayırıq. bootstrap hesabatı üçün, bu ciklon listəsindən (əvəzlədikdə) nümunələr çəkirik və orta (ya da ortalama) bu başlanğıc vaxtı / başlanğıc vaxtı çifti üçün verəcəyik. Bu, bizə başlanğıc vaxtı / başlanğıc vaxtı çifti düzeyində bootstrapping etmədən çox daha konservativ güvənlik limiti verir. For instance, assume for a given lead time we have errors of (50, 100, 150) for cyclone A, (300, 200) for cyclone B and (100, 100) for cyclone C, with A having more samples. A bootstrapping sample at the level of cyclones first samples uniformly at random 3 cyclones with replacement (for instance A,A,B) and then computes the mean on top of the corresponding samples with multiplicity: mean(50,100,150,50,100,150,200,300)=137.5. 8.1.3. Results In Supplements Figure 3a-b, we chose to show the median error rather than the mean. This decision was made before computing the results on the test set, based on the performance on the validation set. On the years 2016–2017, using the version of GraphCast trained on 1979–2015, we observed that, using early versions of our tracker, the mean track error was dominated by very few outliers and was not representative of the overall population. Furthermore, a sizable fraction of these outliers were due to errors in the tracking algorithm rather than the predictions themselves, suggesting that the tracker was suboptimal for use with GraphCast. Because our goal is to assess the value of GraphCast forecast, rather than a specific tracker, we show median values, which are also affected by tracking errors, but to a lesser extent. In figure Figure 40 we show how that the distribution of both HRES and GraphCast track errors for the test years 2018–2021 are non-gaussian with many outliers. This suggests the median is a better summary statistic than the mean. Xatırlayırıq ki, Tracker-in son versiyasını (Supplements Section 8.1.4) istifadə edərək, GraphCast ortalama nəticələri mediana bənzəyir, GraphCast 2 və 5 gün arasındakı lead vaxtı üçün HRES-dən çox üstünlük verir. Because of well-known blurring effects, which tend to smooth the extrema used by a tracker to detect the presence of a cyclone, ML methods can drop existing cyclones more often than NWPs. Dropping a cyclone is very correlated with having a large positional error. Therefore, removing from the evaluation such predictions, where a ML model would have performed particularly poorly, could give it an unfair advantage. To avoid this issue, we verify that our hyper-parameter-searched tracker (see Supplements Sec-tion 8.1.4) misses a similar number of cyclones as HRES. Supplements Figure 41 shows that on the test set (2018–2021), GraphCast and HRES drop a similar number of cyclones, ensuring our comparisons are as fair as possible. Artıq iki gündən sonra biz 2013-cü il mövsümü üçün hazırlanmış ilk maşını görəcəyik – yanvarın 28-də axşam Lotus komandası E21-i tanıtacaq, amma bu gün də bu mövsümü görəcəyik – yanvarın 28-də axşam Lotus komandası E21-i tanıtacaq. 8.1.4 Sürücülük detalları The tracker we used for GraphCast is based on our reimplementation of ECMWF’s tracker [35]. Because it is designed for 0.1° HRES, we found it helpful to add several modifications to reduce the amount of mistracked cyclones when applied to GraphCast predictions. However, tracking errors still occur, which is expected from tracking cyclone from 0.25° predictions instead of 0.1°. We note that we do not use our tracker for the HRES baseline, as its tracks are directly recovered from the TIGGE archives [8]. We first give a high-level summary of the default tracker from ECMWF, before explaining the modifications we made and our decision process. VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. ECMWF tracker Sonrakı ciklonun yerinin qiymətini hesablamaq üçün, tracker iki vektorun ortalaması olaraq hesablanan bir dəyişdirməyi istifadə edir: 1) son iki yolun yerləri arasındakı dəyişdirmə (yani, linear ekstrapolasiya) və 2) rüzgardakı qiymət, 200, 500, 700 və 850 hPa basınç düymələrində əvvəlki yol pozisyonunda U və v rüzgardakı qiymətini ortalama. Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər Sonraki xəbər: Sonraki xəbər... 1. Vorticity check: Yerli minimumların 278 km-dəki 850 hPa-da maksimum vorticity Northern Hemisphere üçün 5 · 10−5 s−1 daha böyük, yaxud Southern Hemisphere üçün −5 · 10−5s−1 daha azdır. 2. rüzgar həddi kontrolü: Kandidat yer üzündə olsaydı, maksimum 10 m rüzgar həddi 278 km-dək 8 m/s-dən böyükdür. Qırğız kontrolü: Cyclone extratropic olsaydı, z850-z200 kimi tanımlanan 278 km rayonunda 850 hPa və 200 hPa arasında maksimum qırğız vardır. Əgər heç bir minima bunların hamısını yerinə yetirməsə, tracker heç bir ciklon olmadığına inanır. ECMWF-in trackeri ciklonların bir neçə köhnə vəziyyətdə yenidən ortaya çıxmadan əvvəl bir neçə dəfə ortadan qalxmasına imkan verir. Biz validasiya set illərimizdən (2016–2017), 1979–2015-ci ildə hazırlanan GraphCast versiyası ilə cyclone-dəki fəlakətləri analiz etdik və aşağıda bildirilən kimi ECMWF trackerinin standart re-implementasiyasını dəyişdik. Our modified tracker Biz bu parametri kritik olduğunu və aşağıdaki variantlar arasında daha yaxşı bir qiymət aradıq: f üçün 445 × f 0.25, 0.375, 0.5, 0.625, 0.75, 1.0 (orijinal qiymət). Biz də bu parametri kritik olduğunu və aşağıdaki variantlar arasında daha yaxşı bir qiymət aradıq: 278 × f üçün f 0.25, 0.375, 0.5, 0.625, 0.75, 1.0 (orijinal qiymət). 3. The next-step estimate of ECMWF uses a 50-50 weighting between linear extrapolation and wind steering vectors. In our case where wind is predicted at 0.25° resolution, we found wind steering to sometimes hinder estimates. This is not surprising because the wind is not a spatially smooth field, and the tracker is likely tailored to leverage 0.1° resolution predictions. Thus, we hyper-parameter searched the weighting among the following options: 0.0, 0.1, 0.33, 0.5 (original value). Bu səbəbdən, biz yalnız əvvəlki və yeni yön arasında d dərəcə altında bir köhnə yaratan kandidatləri düşünürük, d bu qiymətlər arasında aradan qaldırılmışdı: 90, 135, 150, 165, 175, 180 (yani filtre yoxdur, orijinal qiymət). 5. Biz çoxlu misstracks böyük atışlar etdi baxdıq, ağrılı rüzgardırma bir kombinasiyası və xüsusiyyətləri zayıf ciklonlar üçün ayırd etmək çətin olduğu üçün. belə, biz x kilometrdən uzaqlaşdırılması öhdəliyini araşdırdıq (delta son orta ilə dəyişdirərək), x üçün aşağıdaki qiymətləri aradan qaldırmaq: 445 × f üçün f 0.25, 0.5, 1.0, 2.0, 4.0, ∞ (yani heç bir klip, orijinal qiymət). Hyper-parameter araşdırması sırasında, validasiya verilərindən da GraphCast-a daxil olan trackerin HRES-ə bənzəyir kimi bir neçə ciklon düşdüğünü doğruladıq. 8.2 Atmosferlər VVD - Hollandiyada futbolçu bu adla tanımır, orada VVD daha çox mərkəz-sağı təmsilən edən siyasi partiyanın adının qısaltması kimi bilinir - artıq sorğu-suala ehtiyacı olmayan ulduzdu. Burada g = 9,80665 m/s2 yer üzündəki gravitasiya səbəbi olan sürətdir, pb = 1000 hPa alt basıncıdır və pt = 300 hPa üst basıncıdır. "GraphCast"in 37 basınç düyməsi var ki, bu, yalnız 25 basınç düyməsi olan HRES trajektoriyalarının çözünürlüğündən daha yüksəkdir. hər iki modelin konsistent və ədalətli bir bənzərinə görə, hPa [300, 400, 500, 600, 700, 850, 925, 1000] kimi, "WeatherBench" referensində da daxil olan basınç düymələri ilə birlikdə istifadə edirik. Hər model öz “analizi” ilə qiymətləndirilir.GraphCast üçün, IvT-ni onun öngörülərinə görə hesab edirik və onu ERA5-dən analog olaraq hesablanan IvT-yə bənzəyirik. Əvvəlki işə bənzəyərək [10], Şəkil 44 RMSE Qüvvələri və Qüvvələri Qüvvələri (Jan-April və Oktyabr-December 2018), ki, bir region və atmosferdə sıklıqlı çaylar olan bir dövrdə ( 180°W-dən 110°W uzunluğundan və 10°N-60°N genişlikdə) qalan Qüvvələri və Qüvvələri ortalamasını bildirir. 8.3 Sıx və soğuk Əvvəlki işdən sonra [35], reference climatology (1) hər bir variable (2) hər ay üçün, (3) hər bir gün ərzində, (4) hər bir genişlik / uzunluk koordinatı, və (5) hər bir basınç düyməsi (əgər var) üçün ayrı-ayrı olaraq əldə edilir, biz bu klimatologiya HRES və GraphCast arasında mümkün olduğu qədər ədalətli saxlamaq üçün, biz bu klimatologiya HRES-fc0 və ERA5 və ERA5 ilə hesablayırıq, 2016-2021. il üçün, biz hər bir yerdə günlük və meşəvi döngülərin effektini kaldırmaqla daha kontrastlı ultraperspektivləri araşdırmaq üçün digər yollarla eksperimental. Xatırladaq ki, həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan həddi aşan h Əvvəlki çalışdıqdan sonra[32], sonuncu ilin iyun, iyul və avqust aylarında (şərqdə > 20◦) və dekabr, janr və fevral aylarında (şərqdə < -20◦) şərqdə (şərqdə < -20◦) yer üzündə (şərqdə > 20◦) extrema sıcaklıqlar üçün ortalama ölçülər göstərdik. 9.Vizualizasiya prosesi Bu son bölmədə, 2 T (Şəkil 47), 10 U (Şəkil 48), MsL (Şəkil 49), z500 (Şəkil 50), T 850 (Şəkil 51), v 500 (Şəkil 52), Q 700 (Şəkil 53) variantları üçün GraphCast tərəfindən hazırlanan öngörülərdən bir neçə vizualizasiya nümunəsi veririk. Referentlər [1] Ferran Alet, Adarsh Keshav Jeewajee, Maria Bauza Villalonga, Alberto Rodriguez, Tomas Lozano-Perez və Leslie Kaelbling. Graph element network: adaptive, structured computing and memory. In International Conference on Machine Learning, pages 212–222. [2] Kelsey R Allen, Yulia Rubanova, Tatiana Lopez-Guevara, William Whitney, Alvaro Sanchez-Gonzalez, Peter Battaglia və Tobias Pfaff. Face interaction graph networks ilə sabit dinamikaları öyrənmək. arXiv preprint arXiv:2212.03574, 2022. [3] Jimmy Lei Ba, Jamie Ryan Kiros və Geoffrey E. Hinton. layer normalization. arXiv, 2016. [4] Igor Babuschkin, Kate Baumli, Alison Bell, Surya Bhupatiraju, Jake Bruce, Peter Buchlovsky, David Budden, Trevor Cai, Aidan Clark, Ivo Danihelka, Claudio Fantacci, Jonathan Godwin, Chris Jones, Ross Hemsley, Tom Hennigan, Matteo Hessel, Shaobo Hou, Steven Kapturowski, Thomas Keck, Iurii Kemaev, Michael King, Markus Kunesch, Lena Martens, Hamza Merzic, Vladimir Mikulik, Tamara Norman, John Quan, George Papamakarios, Roman Ring, Francisco Ruiz, Alvaro Sanchez, Rosalia Schneider, Eren Sezener, Stephen Spencer, Srivatsan Srinivasan, Luyu, Wangciech Wojciech Stokowiec və Fabio Viola. Bu barədə www.github.com/deepmind.az xəbər verir. [5] Peter Battaglia, Razvan Pascanu, Matthew Lai, Danilo Jimenez Rezende, et al. Objektlər, əlaqələr və fizika haqqında öyrənmək üçün interaksiya ağları. [6] Peter W Battaglia, Jessica B Hamrick, Victor Bapst, Alvaro Sanchez-Gonzalez, Vinicius Zambaldi, Mateusz Malinowski, Andrea Tacchetti, David Raposo, Adam Santoro, Ryan Faulkner, et al. Relational inductive biases, deep learning, and graph networks. arXiv preprint arXiv:1806.01261, 2018. [7] Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu və Qi Tian. Pangu-Weather: Hızlı və doğru global hava prognozları üçün 3D yüksək resolusiya modeli. arXiv preprint arXiv:2211.02556, 2022. [8] Philippe Bougeault, Zoltan Toth, Craig Bishop, Barbara Brown, David Burridge, De Hui Chen, Beth Ebert, Manuel Fuentes, Thomas M Hamill, Ken Mylne, et al. The THORPEX interactive grand global ensemble. [9] James Bradbury, Roy Frostig, Peter Hawkins, Matthew James Johnson, Chris Leary, Dougal Maclaurin, George Necula, Adam Paszke, Jake VanderPlas, Skye Wanderman-Milne, and Qiao Zhang. JAX: composable transformations of Python+NumPy programs. http://github. com/google/jax, 2018. [10] WE Chapman, AC Subramanian, L Delle Monache, SP Xie və FM Ralph. Geophysical Research Letters, 46(17-18):10627–10635, 2019. [11] Tianqi Chen, Bing Xu, Chiyuan Zhang, və Carlos Guestrin. Sublinear memoriya qiymətləri ilə dərin ağlar öyrənmək. arXiv preprint arXiv:1604.06174, 2016. [12] Balaji Devaraju. Sferada filtrləşdirmə anlayışı: GRACE verilərini filtr etməkdən olan deneyimler. doktora tezləri, Stuttgart Universitetinin, 2015. [13] J. R. Driscoll və D. M. Healy. 2-sferdə kompüter dördüncü transformasiya və konvolisyonlar. Adv. Appl. Math., 15(2):202–250, June 1994. [14] ECMWF. IFS dokumentasiyası CY41R2 - Part III: Dynamics and numerical procedures. https: // www.qəbələ.az/node/16647, 2016-cı il tarixində [15] Meire Fortunato, Tobias Pfaff, Peter Wirnsberger, Alexander Pritzel və Peter Battaglia. Multi-scale meshgraphnets. arXiv preprint arXiv:2210.00612, 2022. “Tellus A: Dynamic Meteorology and Oceanography”, 68(1):30229, 2016 [17] Jonathan Godwin, Thomas Keck, Peter Battaglia, Victor Bapst, Thomas Kipf, Yujia Li, Kimberly Stachenfeld, Petar Veličković, and Alvaro Sanchez-Gonzalez. Jraph: A library for graph neural networks in JAX. http://github.com/deepmind/jraph, 2020. [18] T. Haiden, Martin Janousek, Jean-Raymond Bidlot, R. Buizza, L. Ferranti, F. Prates və Frédéric Vitart. ECMWF prognozlarının qiymətləndirilməsi, 2018-ci ilin yeniləməsi ilə bağlıdır. https://www.ecmwf. int/node/18746, 10/2018 2018. [19] Thomas Haiden, Martin Janousek, Frédéric Vitart, Zied Ben-Bouallegue, Laura Ferranti, Crtistina Prates, və David Richardson. ECMWF prognozlarının qiymətləndirilməsi, 2020-ci il güncellenməsi daxildir. https://www.ecmwf.int/node/19879, 01/2021 2021. [20] Thomas Haiden, Martin Janousek, Frédéric Vitart, Zied Ben-Bouallegue, Laura Ferranti, və Fernando Prates. ECMWF prognozlarının qiymətləndirilməsi, 2021-ci ilin yüksəlməsi daxildir. https://www. ecmwf.int/node/20142, 09/2021 2021. [21] Thomas Haiden, Martin Janousek, Frédéric Vitart, Zied Ben-Bouallegue, Laura Ferranti, Fernando Prates, and David Richardson. Evaluation of ECMWF forecasts, including the 2021 upgrade. https://www.ecmwf.int/node/20469, 09/2022 2022. [22] Thomas Haiden, Martin Janousek, Frédéric Vitart, Laura Ferranti, and Fernando Prates. Evaluation of ECMWF forecasts, including the 2019 upgrade. https://www.ecmwf.int/node/ 19277, 11/2019 2019. Tom Hennigan, Trevor Cai, Tamara Norman və Igor Babuschkin. http://github.com/deepmind/dm-haiku, 2020. Hans Hersbach, Bill Bell, Paul Berrisford, Shoji Hirahara, András Horányi, Joaquín Muñoz-Sabater, Julien Nicolas, Carole Peubey, Raluca Radu, Dinand Schepers, et al. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730):1999–2049, 2020. [25] S. Hoyer və J. Hamman. xarray: Python-da N-D etiketli arraylar və datasetlər. Open Research Software jurnalı, 5(1), 2017. [26] Ryan Keisler. Forecasting global weather with graph neural networks. arXiv preprint arXiv:2202.07575, 2022. [27] Diederik P Kingma və Jimmy Ba. Adam: Stochastic optimization üçün bir metod. arXiv preprint arXiv:1412.6980, 2014. [28] Kenneth R Knapp, Howard J Diamond, James P Kossin, Michael C Kruk, Carl J Schreck, et al. İqtisadiyyat üçün ən yaxşı arşiv (IBTrACS) layihəsi, versiyası 4. https://doi.org/10.25921/82ty-9e16, 2018. [29] Kenneth R. Knapp, Michael C. Kruk, David H. Levinson, Howard J. Diamond və Charles J. Neumann. tropik cyclone verilərini birləşdirən ən yaxşı ulduz arşivi (IBTrACS). [30] Michael C Kruk, Kenneth R Knapp, və David H Levinson. Global tropik ciklonu ən yaxşı izləmə data birləşdirmək üçün bir teknik. Journal of Atmospheric and Oceanic Technology, 27(4):680-692, 2010. [31] David H. Levinson, Howard J Diamond, Kenneth R. Knapp, Michael C. Kruk və Ethan J. Gibney. Homogene global tropik ciklonun ən yaxşı izi üçün veriliş. [32] Ignacio Lopez-Gomez, Amy McGovern, Shreya Agrawal, və Jason Hickey. Neural hava modelləri ilə küresel aşırı ısınma prognozları. Ana səhifə » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » Gündəm » G 20238 - Heatwave +- + UK, 2022 https://confluence.ecmwf.int/display/ FCST/202208+- + Heatwave +- UK, 2022 Linus Magnusson, Thomas Haiden və David Richardson: Extreme Weather Events Verification: Discrete Predictands. S. Malardel, Nils Wedi, Willem Deconinck, Michail Diamantakis, Christian Kuehnlein G. Mozdzynski, M. Hamrud və Piotr Smolarkiewicz. IFS üçün yeni ağ. https: Əsas səhifə // www.ecmwf.int/node/17262, 2016 [37] Benjamin J Moore, Paul J Neiman, F Martin Ralph, və Faye E Barthold. Nashville, Tennessee, və 1–2 May 2010-cu il tarixində şiddətli yağış yağışla bağlı fiziki proseslər: atmosferik çay və mesoskala konvektiv sistemlərin roludur. Aylıq Hava İncəsənəti, 140(2):358–378, 2012. [38] Paul J Neiman, F Martin Ralph, Gary A Wick, Jessica D Lundquist, və Michael D Dettinger. Meteoroloji xüsusiyyətləri və North America'nın Batı sahilində atmosferik axınların yer üzündə yağış effektləri ssm/i təyyarə baxışlarının 8 ilinə dayanır. [39] Tobias Pfaff, Meire Fortunato, Alvaro Sanchez-Gonzalez və Peter Battaglia. Grafik ağları ilə ağ bazlı simülasiya öyrənmək. [40] Prajit Ramachandran, Barret Zoph və Quoc V Le. Aktivasiya funksiyalarının arxa. arXiv preprint arXiv:1710.05941, 2017. [41] Stephan Rasp, Peter D Dueben, Sebastian Scher, Jonathan A Weyn, Soukayna Mouatadid, və Nils Thuerey. WeatherBench: data-driven hava prognozları üçün referans verilişi. [42] Takaya Saito və Marc Rehmsmeier. Precision-recall plot ROC plotundan daha informativdir ki, balanssız datasetlərdə binary klasifikatorları qiymətləndirir. PloS bir, 10(3):e0118432, 2015. [43] Alvaro Sanchez-Gonzalez, Jonathan Godwin, Tobias Pfaff, Rex Ying, Jure Leskovec, və Peter Battaglia. Graph ağları ilə kompleks fiziki simula etmək üçün öyrənmək. [44] B. D. Santer, R. Sausen, T. M. L. Wigley, J. S. Boyle, K. AchutaRao, C. Doutriaux, J. E. Hansen, G. A. Meehl, E. Roeckner, R. Ruedy, G. Schmidt, və K. E. Taylor. tropopause hündürlüyü və atmosferin temperaturunun modellər, reanalizlər və gözləmələr: Decadal dəyişir. Geophysical Research Journal: Atmospheres, 108(D1):ACL 1–1–ACL 1–22, 2003. [45] Richard Swinbank, Masayuki Kyouda, Piers Buchanan, Lizzie Froude, Thomas M Hamill, Tim D Hewson, Julia H Keller, Mio Matsueda, John Methven, Florian Pappenberger, et al. TIGGE projesi və onun uğurları. [46] Richard Swinbank, Masayuki Kyouda, Piers Buchanan, Lizzie Froude, Thomas M. Hamill, Tim D. Hewson, Julia H. Keller, Mio Matsueda, John Methven, Florian Pappenberger, Michael Scheuerer, Helen A. Titley, Laurence Wilson və Munehiko Yamaguchi. TIGGE projesi və onun uğurları. American Meteorological Society Bulletin, 97(1):49 – 67, 2016. [47] Harvey Thurm Taylor, Bill Ward, Mark Willis, və Walt Zaleski. Saffir-Simpson fırtına rüzgarı ölçüsü. Atmosferik İdarəetmə: Washington, DC, ABŞ, 2010. [48] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser, və Illia Polosukhin. Düşüncəyə ehtiyacınız olan hər şeydir. Neural informasiyanı işləmə sistemləri, 30, 2017. [49] Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Lio, və Yoshua Bengio. Graph dikkat ağları. arXiv preprint arXiv:1710.10903, 2017. Bu dokument CC by 4.0 Deed (Attribution 4.0 International) lisenziyası altında arxivdə verilmişdir. Bu kitab CC by 4.0 Deed (Attribution 4.0 International) lisenziyası. Arşivdə hazırlıq
