WeatherNext dari DeepMind loncat setara sepuluh tahun kemajuan prakiraan siklon

Memprakirakan badai selama ini butuh dua jenis model berbeda: model global beresolusi kasar untuk menebak arah gerak badai, dan model beresolusi tinggi terpisah untuk memperkirakan seberapa kuat badai itu. Google DeepMind menyatakan model WeatherNext mereka, yang dijelaskan dalam paper di Nature terbit 6 Agustus, mengerjakan keduanya sekaligus, termasuk struktur angin badai, dari satu sistem. Hasil utamanya adalah tambahan waktu peringatan sehari penuh: prakiraan tiga hari kini kira-kira seakurat prakiraan dua hari dengan metode lama. DeepMind menyebut lompatan itu setara sekitar sepuluh tahun kemajuan meteorologi biasa.

Angkanya konkret. Galat lintasan tiga hari sekitar 100 kilometer, dan galat intensitas sekitar 11 knot. Model ini dilatih dengan sekitar 20 terabyte data atmosfer dan hampir 5.000 badai historis dari basis data IBTrACS, lalu menghasilkan ensemble berisi 1.000 anggota dalam waktu kurang dari satu menit di satu TPU. Ia bekerja pada resolusi 28 kali 28 kilometer, sekitar 100 kali lebih kasar dari model fisika tradisional, dan itu sebagian alasan kenapa ia begitu cepat. Tahun lalu model ini memprediksi penguatan cepat Badai Melissa dan pendaratannya di Jamaika jauh sebelum badai tiba.

Kecepatan di sini sama pentingnya dengan akurasi, karena pemrakira bisa menjalankan banyak skenario dengan murah dan melihat rentang kemungkinan hasil, bukan satu lintasan tunggal.

Kenapa ini penting

Bagi yang bekerja di manajemen kebencanaan atau tanggap darurat, tambahan sehari peringatan yang andal berarti waktu untuk evakuasi, memindahkan alat, dan menyiapkan logistik. Ensemble yang murah juga memungkinkan pemrakira menampilkan rentang kemungkinan, bukan satu garis di peta, dan itu mengubah seberapa yakin sebuah peringatan bisa dikeluarkan.