Спасибо за интерес и вашу статью. Weather4cast — серьезный челлендж, поздравляю с призовым местом, это очень круто! Приятно, что выводы касательно удачных инструментов для работы с осадками у нас с вами сходятся, несмотря на то, что задачи существенно отличаются в постановке и специфике, полагаю даже, что манёвры для глобального прогноза там не отработают должным образом.
Первый вопрос: про такого рода диффузию не скажу, поскольку не встречал. Предположу, что основной подход к нейросетевому глобальному прогнозу на данный момент подразумевает однородность работы со всеми переменными: они кодируются в единый латентный вектор, его процессят, потом декодируют, осадки, если и присутствуют в модели, то отдельного процессинга не получают. Кстати, любопытно, что есть модели, которые не принимают осадки на вход, но имеют их в прогнозе (например диффузионный GenCast гугла), что идеологически похоже на получение осадков в численном моделировании. Но и там осадки появляются из единого представления атмосферы.
Про время, как параметр прогноза: видел такое лишь в моделях с PINN или в гибридных моделях типа NeuralGCM, но они все работают на более грубых сетках. В целом, данные позволяют сделать плавающий lead time с шагом в час. Мы не пробовали, в иных статьях такой подход также не встречал, думаю, опять-таки при работе с данными в высоком разрешении всё упирается в вычислительные затраты и железо.
Как вам уже верно ответили, все данные открыты. В этом смысле погода — хороший пример международного взаимодействия: все делятся данными со всеми под эгидой WMO.
В планах пока что нет, хотя технология это и позволяет. Посмотрим, как будет развиваться проект, и если такой функционал пользователи найдут удобным, то обязательно его реализуем. Кстати, сейчас мы уже показываем температуру по высотам для горнолыжных курортов, а также информация по метеорологическим параметрам на разных высотах доступна клиентам из бизнеса.
Спасибо за интерес и вашу статью. Weather4cast — серьезный челлендж, поздравляю с призовым местом, это очень круто! Приятно, что выводы касательно удачных инструментов для работы с осадками у нас с вами сходятся, несмотря на то, что задачи существенно отличаются в постановке и специфике, полагаю даже, что манёвры для глобального прогноза там не отработают должным образом.
Первый вопрос: про такого рода диффузию не скажу, поскольку не встречал. Предположу, что основной подход к нейросетевому глобальному прогнозу на данный момент подразумевает однородность работы со всеми переменными: они кодируются в единый латентный вектор, его процессят, потом декодируют, осадки, если и присутствуют в модели, то отдельного процессинга не получают. Кстати, любопытно, что есть модели, которые не принимают осадки на вход, но имеют их в прогнозе (например диффузионный GenCast гугла), что идеологически похоже на получение осадков в численном моделировании. Но и там осадки появляются из единого представления атмосферы.
Про время, как параметр прогноза: видел такое лишь в моделях с PINN или в гибридных моделях типа NeuralGCM, но они все работают на более грубых сетках. В целом, данные позволяют сделать плавающий lead time с шагом в час. Мы не пробовали, в иных статьях такой подход также не встречал, думаю, опять-таки при работе с данными в высоком разрешении всё упирается в вычислительные затраты и железо.
Как вам уже верно ответили, все данные открыты. В этом смысле погода — хороший пример международного взаимодействия: все делятся данными со всеми под эгидой WMO.
Спасибо. Вероятности — следующий шаг, к которому придём посредством ансамблевых моделей.
В планах пока что нет, хотя технология это и позволяет. Посмотрим, как будет развиваться проект, и если такой функционал пользователи найдут удобным, то обязательно его реализуем. Кстати, сейчас мы уже показываем температуру по высотам для горнолыжных курортов, а также информация по метеорологическим параметрам на разных высотах доступна клиентам из бизнеса.