Google DeepMind: GraphCast AI Prediksi Cuaca 10 Hari dalam 60 Detik

Nama: GraphCast

Website/Sumber Utama: https://github.com/google-deepmind/graphcast

Fungsi Utama: Model kecerdasan buatan (AI) berbasis pembelajaran mesin untuk prakiraan cuaca global yang akurat dan cepat.

Tipe: Proyek Open Source, Model AI untuk Prakiraan Cuaca

Cocok Untuk: Meteorolog, peneliti iklim, lembaga prakiraan cuaca, ilmuwan data, dan pengembang aplikasi terkait cuaca

Model Harga/Lisensi: Open Source dengan dua jenis lisensi - Kode dan notebook dengan Apache License 2.0, dan bobot model dengan Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0). Lihat Detail Lisensi

Highlight Utama: Mampu menghasilkan prakiraan cuaca 10 hari ke depan dalam waktu kurang dari 60 detik dengan akurasi yang melebihi sistem prakiraan cuaca tradisional terbaik.

Apa Itu GraphCast?

GraphCast adalah sistem prakiraan cuaca canggih berbasis pembelajaran mesin dan Jaringan Saraf Graph (Graph Neural Networks - GNNs) yang dikembangkan oleh Google DeepMind. Model ini dilatih menggunakan data reanalisis cuaca historis dari dataset ERA5 ECMWF selama empat dekade untuk mempelajari pola sebab-akibat dalam dinamika atmosfer. Berbeda dengan model prakiraan cuaca tradisional yang mengandalkan persamaan fisika kompleks dan membutuhkan waktu berjam-jam pada superkomputer, GraphCast dapat menghasilkan prakiraan cuaca global yang akurat untuk 10 hari ke depan dalam waktu kurang dari satu menit pada chip TPU v4 khusus.

GraphCast telah terbukti melampaui kinerja sistem prakiraan cuaca deterministik terbaik saat ini, yaitu High Resolution Forecast (HRES) dari European Centre for Medium-Range Weather Forecasts (ECMWF), dengan memberikan prediksi yang lebih akurat pada lebih dari 90% dari 1380 variabel uji dan waktu prakiraan. Lebih mengesankan lagi, untuk prakiraan di troposfer (lapisan atmosfer 6-20 km di atas permukaan Bumi), GraphCast mengungguli HRES pada 99,7% variabel uji.

Fitur Utama / Andalan

(Disimpulkan dari eksplorasi halaman fitur/dokumentasi)

Prakiraan Cuaca Global Berkecepatan Tinggi

• Deskripsi: GraphCast dapat menghasilkan prakiraan cuaca global 10 hari ke depan dalam waktu kurang dari 60 detik, jauh lebih cepat dibandingkan model tradisional yang membutuhkan waktu berjam-jam.
• Manfaat/Contoh: Kecepatan ini memungkinkan pembaruan prakiraan yang lebih sering dan respons yang lebih cepat terhadap perubahan kondisi atmosfer, yang sangat berharga untuk peringatan dini bencana cuaca ekstrem.
• Info Lebih Lanjut: Pelajari Lebih Lanjut

Resolusi Tinggi dengan Detail Global

• Deskripsi: GraphCast versi resolusi tinggi (0,25 derajat) menawarkan detail sekitar 25x25 kilometer pada ekuator dengan 37 level tekanan atmosfer, memberikan gambaran atmosfer 3D yang sangat detail.
• Manfaat/Contoh: Resolusi tinggi ini memungkinkan prakiraan yang lebih akurat untuk fenomena cuaca lokal dan regional, seperti badai, hujan deras, dan perubahan suhu.
• Info Lebih Lanjut: Pelajari Lebih Lanjut

Prediksi Cuaca Ekstrem yang Lebih Awal

• Deskripsi: GraphCast mampu memprediksi jalur badai siklon dengan akurasi tinggi lebih jauh ke depan, mengidentifikasi sungai atmosfer yang terkait dengan risiko banjir, dan memprediksi onset suhu ekstrem.
• Manfaat/Contoh: Pada September 2023, GraphCast secara akurat memprediksi bahwa Badai Lee akan mencapai Nova Scotia sembilan hari sebelumnya, sementara model prakiraan cuaca tradisional hanya menunjukkan hal ini enam hari sebelumnya.
• Info Lebih Lanjut: Pelajari Lebih Lanjut

Tiga Varian Model untuk Berbagai Kebutuhan

• Deskripsi: GraphCast tersedia dalam tiga versi pratelatih: GraphCast (resolusi tinggi, 0,25 derajat, 37 level tekanan), GraphCast_small (resolusi rendah, 1 derajat, 13 level tekanan), dan GraphCast_operational (dapat diinisialisasi dari data HRES tanpa memerlukan input presipitasi).
• Manfaat/Contoh: Varian model yang berbeda memungkinkan penggunaan di berbagai skenario, dari penelitian resolusi tinggi hingga implementasi dengan keterbatasan komputasi.
• Info Lebih Lanjut: Pelajari Lebih Lanjut

Kelebihan (Pros)

(Disimpulkan dari berbagai halaman)

• Kecepatan luar biasa - menghasilkan prakiraan 10 hari dalam waktu kurang dari 60 detik, dibandingkan dengan berjam-jam pada supercomputer untuk model tradisional
• Akurasi yang lebih tinggi dibandingkan sistem prakiraan cuaca deterministik terbaik saat ini (HRES dari ECMWF) untuk lebih dari 90% variabel
• Kemampuan untuk memberikan peringatan lebih awal tentang kejadian cuaca ekstrem seperti siklon dan suhu ekstrem
• Kode sumber terbuka memungkinkan ilmuwan dan peramal cuaca di seluruh dunia untuk menggunakannya
• Dapat digunakan dengan berbagai kebutuhan komputasi melalui versi model yang berbeda

Kekurangan (Cons) / Batasan

(Disimpulkan dari eksplorasi)

• Membutuhkan data input dari dataset ERA5 atau HRES, yang mungkin memerlukan lisensi atau izin terpisah dari ECMWF
• Bobot model terikat pada lisensi non-komersial (CC BY-NC-SA 4.0), membatasi penggunaan komersial
• Untuk pelatihan model lengkap, memerlukan unduhan dataset ERA5 yang besar, yang membutuhkan sumber daya penyimpanan dan komputasi yang signifikan
• Keterbatasan pada langkah waktu 6 jam, yang mungkin tidak ideal untuk aplikasi energi atau pertanian yang membutuhkan resolusi temporal lebih tinggi
• Tidak menyediakan variabel radiasi matahari atau sifat tanah, yang penting untuk beberapa aplikasi tertentu

Harga / Lisensi

(Dicari secara aktif dari tautan Pricing/License)

Model: Open Source dengan pembatasan pada penggunaan komersial untuk bobot model

Tingkatan Utama:

• Kode dan notebook Colab: Apache License 2.0 (penggunaan bebas termasuk komersial)
• Bobot model pratelatih: Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) (tidak boleh digunakan untuk tujuan komersial)

Link Halaman Lisensi: Lihat Detail Lisensi di Sini

Lisensi: Apache 2.0 (kode) dan CC BY-NC-SA 4.0 (bobot model) (Lihat File Lisensi CC BY-NC-SA 4.0) (Lihat File Lisensi Apache 2.0)

Contoh Penerapan & Observasi

(Berdasarkan dokumentasi, blog, use cases, komunitas)

• Peningkatan peringatan dini untuk bencana cuaca ekstrem seperti siklon dan suhu ekstrem
• ECMWF (European Centre for Medium-Range Weather Forecasts) menjalankan eksperimen langsung menggunakan GraphCast
• Dapat digunakan untuk memahami pola iklim yang lebih luas dan potensi dampak perubahan iklim
• Dokumentasi lengkap dan notebook demo tersedia di sini
• Versi GraphCast_small dan demo mini disediakan untuk memungkinkan penggunaan dengan keterbatasan komputasi, bahkan dapat dijalankan di Colab notebook gratis
• Variasi model GenCast yang merupakan pengembangan dari GraphCast, menawarkan prakiraan berbasis ensemble untuk cuaca jangka menengah dengan pendekatan difusi tersedia di sini