本日、DAMOアカデミーは、最大1km×1km×1時間の時空間精度を予測できる大規模気象モデル「Eight Observations」を公開しました。

それはどういう意味ですか？

諺にもあるように、「天気は 10 マイルごとに変わる」、つまり約 5 キロメートルごとに変わることになります。

予測範囲は平方キロメートル単位、つまり大規模な住宅地や大学のキャンパスの面積にほぼ相当する精度です。

野外コンサートで突然の豪雨に見舞われたら？観客がびしょ濡れになるなんて？そんなはずはありません。

さらに、1 時間ごとに動的に更新されます。これは、AI 気象モデルの利点の 1 つである高速計算です。

このモデルは現在、国家電網山東電力配電センターに導入されています。

気温、風速、雲量、日射量などの重要な気象指標の予測において、最新のAI気象モデルは従来の予報よりも実測値に近いものとなっています。

なぜ電力システムが最初に「試してみる」のでしょうか？北京で開催されたアリババDAMOアカデミー意思決定インテリジェンス製品発表会で、DAMOアカデミーと業界の技術専門家が説明しました。

天気予報にMAEを採用した最初の企業

AIは、天気予報が「力ずくの計算」に依存している現状を根本的に変えつつあります。

従来、気象学者は物理法則に基づいて大気の動きの変化を計算するために一連の数学的および物理的な方程式をまとめてきましたが、これには多くの計算リソースが消費され、物理モデルの制限によって制約を受けます。

現在、DeepMind の GraphCast は、1 分以内に今後 10 日間の天気予報を予測することができ、地球の気候を迅速かつ正確に予測することができます。

清華大学と中国気象局がネイチャー誌に発表したNowcastNet気象モデルは、主に短時間の大雨、嵐、吹雪、雹などの異常気象を予測するためのものです。

八観は、その開発が議題に上がって以来、天気予報に対する業界の需要にさらに注意を払い、「地球規模のビッグモデル」と業界の実装との間のギャップを埋めることに注力しています。

電力業界を例にとると、異常気象の頻度が増加するにつれ、電力網は発電、送電、配電のすべての段階で課題に直面しています。

例えば、猛暑の夏に突発的な集中豪雨が発生すると、気温が急激に下がり、社会全体の電力需要が大幅に減少します（涼しくなるのでエアコンを使う必要がなくなります）。電力系統が発電量を動的に調整しなければ、電力系統の安定運用が脅かされることになります。

太陽光発電や風力発電といった新エネルギー発電所の発電量は天候の影響を直接受けます。実際の電力需要に合わせ、不足や過剰を回避するためには、事前に発電量を予測する必要があります。

上記の側面は、実際に気象予報モデルに新たな要件を課します。

• 応答速度の向上と高頻度予測の完了
• より高い時空間精度により、発電所所在地の特定の気象変化まで把握できます。

そのため、Baguan は「地球規模・地域規模の」共同予報戦略を採用し、地球規模の気象モデルに基づいて地域のマルチソースおよびマルチモーダル データを導入することで、時空間精度を 1 km × 1 km × 1 時間に近づけています。

モデル アーキテクチャの点では、Baguan はツイン MAE マスキング オートエンコーダの構造を革新的に使用しています。

マスキングオートエンコーダは、画像やテキストなどのデータの特徴学習や表現に広く用いられる自己教師学習モデルです。マスキングオートエンコーダでは、入力データの一部がランダムにマスク（つまり、隠蔽またはマスク）され、モデルのタスクはこれらのマスクされた部分を再構築することです。

このアプローチにより、モデルはデータの内部構造と特徴を学習するようになり、それによって一般化と表現能力が向上します。

気象学の分野では、これは天気図を小さなブロックに分割し、これらのブロックの一定の割合をマスクし、その後、6 時間前の気象データと 6 時間後にマスクされなかった領域から学習して、モデルが 6 時間後にマスクされた領域を再構築するものとして理解できます。

このようにして、モデルは変動の激しい気象データに隠された堅牢な特徴表現を学習し、より正確な予測が可能になります。

データ面では、BaGuanモデルはマルチモーダルかつ多変量データセットを用いて学習されます。気象観測所からのフィールドデータ（気温、降水量、風速・風向など）、リアルタイム気象データ、オープンソースの衛星雲画像、オープンソースの地形データに基づき、BaGuanはデータ駆動型と物理駆動型の両方の手法を用いて、サブグリッドスケールにおける局所的なミクロ気象プロセスの詳細なモデリングを実行します。

つまり、このモデルは、乱流、局所的な風、微小風システム、地表エネルギー交換などの小規模気象現象をシミュレートすることができ、予測結果の粒度と精度がさらに向上します。

具体的な技術指標としては、DAMOアカデミーは世界気象ビッグデータモデルと地域気象ビッグデータモデルの性能を披露した。

結果は、国際的な主流であるヨーロッパ中期予報センター統合予報システム (EC-IFS) の結果と比較されました。

まずはグローバル部分を見てみましょう。

EC-IFSの予測結果と比較すると、Eight Viewsモデルの予測はあらゆる側面で非常に近く、国際最先端レベルに達しています。

業界にとってより関心の高い地域気象ビッグデータモデルに目を向けると、今年の山東省電力網システムにおける実際の運用データから、Baguanモデルは主流のEC-IFS予測結果と比較して、いくつかの主要な指標で大幅に改善されていることが分かります。

空間解像度と詳細度の点では、Baguan 気象モデルはより洗練されており、実際の気象条件に近いものとなっています。

より正確な予測に加えて、BaGuan モデルは実用化向けに設計されており、軽量な展開をサポートしているため、業界ユーザーの実装ニーズをよりよく満たします。

八観の「細心さ」は、業界にカスタマイズされた天気予報を提供することにあります。

山東電力網はすでに先駆的にそれを体験している。

山東省の電力システムにおける八観システムの導入を例に挙げてみましょう。

山東省では、今年の夏は降水量が統計開始以来2番目に多く、気温も過去最高を記録しました。夏のピークシーズン（電力消費量がピークに達した時期）には天候の変動が激しかったです。

8月25日から8月28日にかけて、山東省では大雨が降り、気温の変動が激しくなり、3日間で総負荷が20%減少しました。

バグアン地域気象モデルはこの変化を捉え、正確な降水量予測を行いました。3日間の予測精度は98.1%に達し、従来の気象予報を上回りました。

△気温予測における8観測気象モデル（右）と数値天気予報（左）の比較。

同様に、発電分野では、新エネルギー源の設備容量と系統接続が継続的に増加するにつれて、電力システムは地域気象予報を頻繁に更新することで、新エネルギー発電の1日当たりの出力をより正確に反映することを目指しています。その結果、8視点気象モデルに基づく下流の新エネルギー発電予測の精度も非常に高く、96.5%に達しました。

新たに任命された「AI気象予報士」は、山東省のこの異常な夏を電力システムがスムーズに乗り切るのに貢献した。

DAMOアカデミーの意思決定インテリジェンスラボより

最後に、8つの観測気象モデルを支えるチーム、 Alibaba DAMO Academy Decision Intelligence Labを見てみましょう。

当研究所は、実際の業務運営における業務効率と収益性の向上、運用コストの削減を目的として、機械学習、数理モデリング、最適化、時系列予測、因果分析、意思決定スキームの解釈可能性、大規模意思決定推論モデルなど、意思決定インテリジェンスシステムに必要な技術の研究と革新に主眼を置いています。

当ラボは、一流のカンファレンスやジャーナルに120本以上の論文を発表し、アリババグループ内外の複数の主要AIプロジェクトに参加し、反復最適化ソルバー「MindOpt」や「eForecaster」といった代表的な成果を開発してきました。特に電力・エネルギー業界において、DAMOアカデミー意思決定インテリジェンスラボの技術は深く実用化されています。

中でも、ソルバーは「産業ソフトウェアの中核」と称され、長らく外資系企業に独占されてきました。MindOptは国内有数のソルバーとして、電力業界で使用される国内ソルバーの権威あるコンテストで既に1位を獲得しています。今回の最新リリースでは、MindOptはバージョンV2.0にアップデートされ、非線形計画法（NLP）と混合整数二次錐計画法（MIQCP）の2種類のモデルのサポートが追加され、石油、化学、バイオ医薬品業界など、より多くのシナリオのニーズをカバーしています。また、自社開発の全プロセス最適化スイートを深く統合し、中国で唯一、クラウドプラットフォームを通じてオンライン開発とソルバー機能を提供することで、様々な業界が便利かつ迅速にソリューションを入手できるよう支援しています。

eForecasterは、AIを活用した再生可能エネルギー発電容量の予測とグリーンエネルギー開発の促進における実績が評価され、国連AI for Goodケーススタディシリーズに選出されました。太陽光発電と風力発電開発の主要地域であるこの地域は、河川沿いに位置し、気候変動が複雑です。分散型太陽光発電設備の急速な増加は、風力発電と太陽光発電の予測に大きな課題をもたらしています。Eight Observations気象モデルの活用により、eForecasterの分散型太陽光発電の月平均予測精度は1.4%、風力発電の月平均予測精度は5.5%向上しました。

現在、Eight-View Weather Big Model、eForecaster、MindOpt は、初期段階の予測から後期段階の意思決定まで、完全なインテリジェント チェーンを形成しています。

DAMOアカデミーは今後も民間航空、スポーツイベント、農業生産などの分野の具体的なニーズに応えて、8観測気象モデルの性能向上に努め、「業界を最も理解する」気象モデルを目指して努力を続けていきます。