ترجمه فارسی مقاله وضوح فوق العاده در مورد پیش بینی آب و هوای جهانی

چکیده

Weather forecasting is a vitally important tool for tasks ranging from planning day to day activities to disaster response planning. However, modeling weather has proven to be challenging task due to its chaotic and unpredictable nature. Each variable, from temperature to precipitation to wind, all influence the path the environment will take. As a result, all models tend to rapidly lose accuracy as the temporal range of their forecasts increase. Classical forecasting methods use a myriad of physics-based, numerical, and stochastic techniques to predict the change in weather variables over time. However, such forecasts often require a very large amount of data and are extremely computationally expensive. Furthermore, as climate and global weather patterns change, classical models are substantially more difficult and time-consuming to update for changing environments. Fortunately, with recent advances in deep learning and publicly available high quality weather datasets, deploying learning methods for estimating these complex systems has become feasible. The current state-of-the-art deep learning models have comparable accuracy to the industry standard numerical models and are becoming more ubiquitous in practice due to their adaptability. Our group seeks to improve upon existing deep learning based forecasting methods by increasing spatial resolutions of global weather predictions. Specifically, we are interested in performing super resolution (SR) on GraphCast temperature predictions by increasing the global precision from 1 degree of accuracy to 0.5 degrees, which is approximately 111km and 55km respectively.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی آب و هوا ابزاری از اهمیت حیاتی برای کارهای مختلف از برنامه ریزی روز به روز تا برنامه ریزی پاسخ به فاجعه است.با این حال ، مدل سازی آب و هوای به دلیل ماهیت هرج و مرج و غیرقابل پیش بینی ، وظیفه چالش برانگیز است.هر متغیر ، از دما تا بارش تا باد ، همه در مسیری که محیط طی می کند تأثیر می گذارد.در نتیجه ، با افزایش دامنه زمانی پیش بینی های خود ، همه مدل ها به سرعت از دست می دهند.روشهای پیش بینی کلاسیک از بیشماری از تکنیک های مبتنی بر فیزیک ، عددی و تصادفی برای پیش بینی تغییر در متغیرهای آب و هوا در طول زمان استفاده می کنند.با این حال ، چنین پیش بینی هایی اغلب به داده های بسیار زیادی نیاز دارند و از نظر محاسباتی بسیار گران هستند.علاوه بر این ، با تغییر الگوهای آب و هوا و جهانی آب و هوا ، مدل های کلاسیک به طور قابل ملاحظه ای دشوارتر و وقت گیر برای به روزرسانی محیط های تغییر دهنده هستند.خوشبختانه ، با پیشرفت های اخیر در یادگیری عمیق و مجموعه داده های آب و هوایی با کیفیت بالا ، استفاده از روش های یادگیری برای برآورد این سیستم های پیچیده امکان پذیر شده است.مدلهای یادگیری عمیق فعلی فعلی دارای دقت قابل مقایسه ای با مدل های عددی استاندارد صنعت هستند و به دلیل سازگاری آنها در عمل همه جا بیشتر می شوند.گروه ما با افزایش قطعنامه های مکانی پیش بینی های جهانی آب و هوا ، به دنبال روشهای پیش بینی مبتنی بر یادگیری عمیق موجود است.به طور خاص ، ما با افزایش دقت جهانی از 1 درجه دقت به 0.5 درجه ، که به ترتیب تقریباً 111 کیلومتر و 55 کیلومتر است ، علاقه مند به انجام وضوح فوق العاده (SR) در پیش بینی دمای نمودار هستیم.