Comments 38
Нынешние дифуры в моделях погоды на интервалах больше двух недель перестают реагировать на ошибки в исходных данных, что означает, что предсказывают они абы что.
Теперь будет возможность строить новые модели — и это, пожалуй, будет круче, чем даже поминутные прогнозы в нашем раёне.
Теперь будет возможность строить новые модели — и это, пожалуй, будет круче, чем даже поминутные прогнозы в нашем раёне.
Да какие там «больше двух недель». Более-менее надежный прогноз в пределах недели, дальше — в лучшем случае примерная тенденция. Но это ведь не означает, что везде «абы что». Первые 2-3 суток современные модели в целом предсказывают очень хорошо.
нет, я, заметьте, не об этом. Не зря же в посте пишут про четыре вида моделей. Глобальные модели могут предсказывать и на год, хотя и не точно. Чтобы посчитать точно и географически и во времени, нужно использовать модель, скажем, класса CSRM. Но в том-то и фишка, что эти модели используют дифференциальные уравнения, которые в принципе не дают результатов за пределами двух недель. То есть результаты-то дают, но всегда одни и те же, заданные самими уравнениями и не зависящие от исходных данных.
Потому, получив на руки такой инструмент, метеорологи будут не просто считать прошлые модели быстрее, а именно строить новые. Очень интересное занятие, можно им позавидовать, безо всякой иронии.
Потому, получив на руки такой инструмент, метеорологи будут не просто считать прошлые модели быстрее, а именно строить новые. Очень интересное занятие, можно им позавидовать, безо всякой иронии.
Была ли хоть одна глобальная модель предсказавшая аномально теплую зиму в Москве?
Вот давайте не соскальзывать на личные проблемы неприятной погоды за окном при виде с диванчика. Я — о другом, о разнице между моделью «часы идут неточно» и «часы всегда показывают 17:30». И о том, что новый инструмент позволяет «запустить часы», уйти от второго варианта. Да, они всё равно будут не точными, но это уже дело известное, улучшаемое.
Или уж давайте зафиксируем, что гиктаймс или как там его теперь называют — форумдомохозяек айтишников, которых слово «дифуры» вводит в ступор.
Или уж давайте зафиксируем, что гиктаймс или как там его теперь называют — форум
хорошее видео на эту тему
www.youtube.com/watch?v=fDek6cYijxI
www.youtube.com/watch?v=fDek6cYijxI
Воздушные массы, примерно за две недели пробегают расстояние сравнимо с периметром Земли. Соответственно прогноз более чем на две недели — шарлатанство.
Чем точнее модели (в т.ч. чем мощнее компьютеры) — тем больше нужно метеостанций по всему миру. А с этим, я боюсь, не очень хорошо.
спутники… хотя, конечно, прямые измерения лучше.
Ну и плюс появившийся достаточно недавно недостоверный канал обратной связи в виде «сообщите если сейчас не так»
Во время облачности спутники малополезны. Впрочем, и без облаков — я слабо представляю себе, как спутник сможет измерить температуру, давление и скорость ветра на разных высотах.
Это смотря, в каком диапазоне происходит спутниковая съемка. В видимом диапазоне, и частично, в инфракрасном — да. В микроволновом — совсем не бесполезны.
я слабо представляю себе, как спутник сможет измерить температуру, давление и скорость ветра на разных высотахпочитайте про адаптивную оптику — механизм сходный. Конечно, данные получаются непрямые, но, в принципе, пересчитываемые.
Так ведь можно легко использовать и бытовые метеостанции. Тот же сервис Weather Underground предлагает всем желающим сливать свои показания на их сервера и там уже более 250 тыс станций.
Это наверно очень здорово, когда 10500 станций мегаполиса сливают одинаковые данные… Но от этого не появляются данные из необжитых регионов.
Видите ли, это не одинаковые данные. Хороший пример: существование районов с повышенным количеством осадков, я как специалист именно по городской метеорологии исследую, например, вот такие явления: ru.wikipedia.org/wiki/%D0%9E%D1%81%D1%82%D1%80%D0%BE%D0%B2_%D1%82%D0%B5%D0%BF%D0%BB%D0%B0
Разница в температуре вечером в центре Москвы и в пригородах в отдельные моменты (осенью) до 12-15 градусов. То есть, разница в данных порой очень существенная.
Разница в температуре вечером в центре Москвы и в пригородах в отдельные моменты (осенью) до 12-15 градусов. То есть, разница в данных порой очень существенная.
Огромный массив некачественных данных, где шума больше, чем полезного сигнала. Более-менее пригоден только для бытового использования.
Недавно появились специально для таких случаев статистические приемы, которые позволяют отделить «зерна от плевел». То есть количество года два назад таки начало переходить в качество. А раньше — да, приходилось выбрасывать почти 100%.
Я не очень верю в какие-то статистические методы, потому что зёрен в тех данных практически и нет — там не отдельные случайные погрешности, а почти поголовные систематические. Главная проблема частников ведь даже не в точности самого прибора (это действительно можно было бы просеивать статистически), а его размещении. Обеспечить правильное размещение в городе зачастую невозможно даже при всем желании. И оказываются датчики то около теплой стены, то соседский дом ветер экранирует, то высота над землёй какая получилась, то всё вместе сразу.
Или те методы подразумевают не выделение хороших станций, а попытки из большого массива плохих вывести некое усреднение? Это попахивает отсебятиной.
Или те методы подразумевают не выделение хороших станций, а попытки из большого массива плохих вывести некое усреднение? Это попахивает отсебятиной.
А нельзя на основе ошибок вывести поправки для каждого датчика, если его не переставляют, разумеется
Какими поправками можно исправить данные, если проблема не в качестве измерений, а в практически непредсказуемом искажении самой физической среды?
Пример: метеостанция стоит в «коробке», образованной несколькими рядом стоящими домами. И эта коробка, с одной стороны, уменьшает скорость ветра (дельта очень нелинейна), а с другой — искажает поток (локально ветер может дуть в другую сторону, чем на открытом пространстве).
Чтобы затея имела успех, нам нужно в разнообразных условиях пронаблюдать за каждым датчиком, сравнивая его показания с эталоном. А потом прогнать полученным массив данных через некие волшебные алгоритмы или нейросети, которые дадут нам поправочные коэффициенты.
И тут есть две проблемы:
1) Датчик нужно пронаблюдать в самых разных условиях, в разные сезоны и при разной погоде, включая всевозможные редкости и аномалии. Это очень долго, я думаю, не меньше одного-двух десятилетий. За это время метеостанция сломается, хозяин переедет или рядом построят новую высотку, которая полностью изменит локальную розу ветров.
2) Самое главное: где взять тот самый эталон, с которым мы будем сравнивать тестируемые датчики? Нет его. Мы знаем, что наш датчик скорее всего врёт, но не знаем насколько точно.
В целом, это напоминает попытки восстановить цвет из черно-белой фотографии. Можно прикинуть примерно на глазок, но достоверные научные данные получить невозможно.
Пример: метеостанция стоит в «коробке», образованной несколькими рядом стоящими домами. И эта коробка, с одной стороны, уменьшает скорость ветра (дельта очень нелинейна), а с другой — искажает поток (локально ветер может дуть в другую сторону, чем на открытом пространстве).
Чтобы затея имела успех, нам нужно в разнообразных условиях пронаблюдать за каждым датчиком, сравнивая его показания с эталоном. А потом прогнать полученным массив данных через некие волшебные алгоритмы или нейросети, которые дадут нам поправочные коэффициенты.
И тут есть две проблемы:
1) Датчик нужно пронаблюдать в самых разных условиях, в разные сезоны и при разной погоде, включая всевозможные редкости и аномалии. Это очень долго, я думаю, не меньше одного-двух десятилетий. За это время метеостанция сломается, хозяин переедет или рядом построят новую высотку, которая полностью изменит локальную розу ветров.
2) Самое главное: где взять тот самый эталон, с которым мы будем сравнивать тестируемые датчики? Нет его. Мы знаем, что наш датчик скорее всего врёт, но не знаем насколько точно.
В целом, это напоминает попытки восстановить цвет из черно-белой фотографии. Можно прикинуть примерно на глазок, но достоверные научные данные получить невозможно.
а уж для нейросетей — это просто жырный корм.
UFO just landed and posted this here
Компьютер новый, ПО — старое? В чем суть, кроме быстрее и детализированней? ИМХО, было бы интересней точнее и эффективней.
Хороший вопрос, да. Дело в том, что ПО привязано к возможностям вычислительной инфраструктуры (особенности распараллеливания, точность параметризаций, например, процессов в облаках итд). Поэтому в данном примере новое ПО «ждет» пока его возможности смогут реализоваться на соответствующем железе.
Может ПО (точнее — библиотеки) не так уж отличаются, просто нейросети станут больше, математика-то та же. Но в целом вы правы — для конечного потребителя (метеоролога) это все равно другое ПО
Физика немного другая — в зависимости от масштаба процессы либо решаются более-менее явным образом, либо параметризуются (так, например, в глобальных моделях есть и представление океанов, и криосферы (ледников), а в региональных (на 2-3 суток) уже ничего этого нет (они получают данные о состоянии этих систем «одной цифрой», не учитывая внутренней динамики)
Интересно было бы почитать об окупаемости такой разработки. Как я понимаю, они API продают только большим вендорам (поисковикам, мобильным компаниям, и т.д.), а те уже в свою очередь в массы отдают данные бесплатно.
Sign up to leave a comment.
Новый британский погодный суперкомпьютер: что он сможет и как это изменит нашу жизнь