隨著全球電力需求持續上升，傳統能源的可持續性與日俱增。能源提供商面臨的壓力是，減少對礦物燃料的依賴，同時確保電網供應充足且穩定。在這種背景下，太陽能已成為一種重要的可再生能源，是最豐富的清潔能源之一。然而，有效利用太陽能 需要精確可靠地預測表面太陽能輻射 （Surface Solar Irradiance，SSI）。
準確的 SSI 預測使運營商能夠預測太陽能的可用性，幫助同步發電與消費需求，尤其是在高需求時期。傳統的太陽輻射預測方法，例如具有輻射遷移的數值天氣預報 (NWP) 模型，運行成本高昂，并且需要數小時才能生成預測。Nowcast 模型 (例如基于光流的模型) 速度更快，但由于依賴于實時測量結果，因此無法提供遠程自適應預報。
NVIDIA 與蘇黎世聯邦理工學院大氣和氣候科學研究所合作開發了一種新的 SSI 模型。該方法通過結合 NWP 和 AI 的進步來改進 SSI 建模，從而形成比傳統方法更可擴展、更可靠的模型。有關更多詳細信息，請參閱 使用 Neural Operators 在全球范圍內估計數據驅動的表面太陽輻射 。
通過將功能強大的 FourCastNet SFNO 預測模型與 NVIDIA 的這種新 SSI 模型相結合，無需依賴衛星覆蓋范圍的實時數據，即可準確預測全球范圍內連續數日的太陽輻射量 (圖 1)。
這些突破得益于專為構建氣候數字孿生而設計的全棧平臺 NVIDIA Earth-2 。Earth-2 提供了必要的工具和藍圖，可輕松構建用于預測太陽輻射的管道，并與新開發的 NVIDIA SSI 模型等自定義模型無縫集成。這種集成方法可直接生成高分辨率、實時預測，這些預測對于氣候科學、可再生能源和依賴天氣的行業的應用至關重要。
本文將介紹如何使用 NVIDIA 工具訓練新的 SSI 模型，將其集成到 Earth-2 管道中，并用于生成可通過 Earth2Studio 輕松可視化和后處理的數據。
NVIDIA AI Earth-2 blueprint 用于預測太陽輻射
Earth-2 平臺利用 NVIDIA 加速計算能力，實現快速準確的天氣和氣候物理建模。它還提供用于 AI 模型訓練和推理的工具，用于預測、縮小比例、插值和其他應用。作為用戶，您還可以通過一組高級可視化和后處理工具與輸出的天氣和氣候數據進行交互。
NVIDIA 藍圖 是典型 AI 用例的參考工作流。圖 2 展示了用于太陽輻射預測的 NVIDIA AI Earth-2 藍圖。它從時間 
通常，相關變量可能不存在于預測變量集 (例如 SSI) 中。要檢索 SSI 預測，用戶可以利用診斷模型，該模型充當估計模型，并將可用的大氣變量轉換為所需的目標變量。然后，利用天氣預報的最新進展，將診斷模型與不同的預測模型集成。
訓練自定義 AI 天氣診斷模型?
NVIDIA PhysicsNeMo 是一個開源框架，用于訓練 physics-ML 模型，例如 AI 天氣預報模型。對于中期天氣預報，PhysicsNeMo 包括 FourCastNet 、 SFNO 、NVIDIA 實現的 GraphCast、 Pangu-Weather 和 DLWP ，并添加了其他架構。為了簡化訓練，PhysicsNeMo 還包括在 ERA5 和類似數據集上訓練的流程。有關更多詳情，請訪問 GitHub 上的 NVIDIA/physicsnemo，查看訓練工作流示例和 notebooks。所有已實施的架構均針對 GPUs 訓練進行了優化。
Earth-2 用戶可以使用 PhysicsNeMo 在預測模型輸出的基礎上訓練自定義診斷模型，如圖 2 所示。在 Data-Driven Surface Solar Irradiance Estimation Using Neural Operators at Global Scale 中發布的模型使用 PhysicsNeMo 進行訓練，是一個改進的診斷模型，利用 Adaptive Fourier Neural Operators (AFNO)，使其能夠估計整個地球的每 6 小時 SSI。
圖 3 顯示了應用于 SSI 診斷模型訓練的 PhysicsNeMo 訓練管線。ERA5 Reanalysis 大氣數據用作診斷模型的輸入，該模型學習如何將大氣變量映射到新的目標變量。真值變量 (SSI 字段) 可以從 ERA5 或其他數據集檢索，以獲得更高的準確性，例如基于衛星的 SARAH3 。
借助 NVIDIA Earth-2Studio 簡化太陽輻射推理
在訓練自定義模型后，要在 Earth-2 藍圖中使用該模型，最簡單的方法是通過 NVIDIA Earth2Studio ，這是一個專為 AI 驅動的天氣模型推理而設計的 Python 庫。Earth2Studio 提供了一套全面的構建模塊和藍圖，專為確定性和概率性天氣預測量身打造。該庫開箱即用，支持各種數據源，包括但不限于 Climate Data Store (CDS)、ARCO、 Global Forecast System (GFS)、Integrated Forecasting System (IFS) 和 High-Resolution Rapid Refresh (HRRR)。
Earth2Studio 的突出特性之一是其在模型選擇方面的靈活性。作為用戶，您可以從 NVIDIA GPU Cloud (NGC) 中的一系列預訓練模型中進行選擇。可以輕松部署模型以進行即時推理 (Figure 4)。您還可以將自己的自定義模型無縫集成到框架中，例如使用 PhysicsNeMo 訓練的模型。
使用 Earth-2，您可以從各種數據源以及 NGC 模型注冊表中的各種預后和診斷模型中進行選擇 (圖 4)。不同的組件無縫集成到管道中，且代碼更改最少。
使用 Earth2Studio 運行天氣預報?
以下 Earth2Studio 代碼示例使用預構建的 NVIDIA 模型來預測 SSI，從而實現圖 2 中的藍圖。從模型注冊表 (NGC) 導入必要的數據源 (IFS)、IO 操作 (ZarrBackend) 和模型 (FourCastNet SFNO、SolarRadiationAFNO) 后，系統會加載預后和診斷模型。此時，用戶可以指定自定義模型。在本例中，為方便起見，我們在 PhysicsNeMo 中訓練了 AFNO 模型并將其添加到 NGC。此外，還指定了數據源、輸出存儲和時間步長數。然后，系統會調用 run.diagnostic 函數來執行模擬。然后，可以使用 CorrDiff 等縮減工具對預測進行后處理。
from earth2studio.data import IFSfrom earth2studio.io import ZarrBackendfrom earth2studio.models.px import SFNOfrom earth2studio.models.dx import SolarRadiationAFNO# Load the SFNO model package, including the model weights, from NGCmodel = SFNO.load_model(SFNO.load_default_package())# Load the Solar Radiation model package, including the model weights, from NGCdiagnostic_model = SolarRadiationAFNO.load_model(SolarRadiationAFNO.load_default_package()))# Use the GFS analysis as the data sourcedata = GFS()# Use a Zarr archive to store the outputsio = ZarrBackend(file_name="solar_irradiance_prediction.zarr”)nsteps = 8 # the number of 6-hour time steps# Run the SSI global forecastio = run.diagnostic( ["2024-06-01"], # start the forecast on 01 June 2024, 00:00 UTCnsteps, prognostic_model, diagnostic_model, data, io) |
Earth2Studio 是一款開源工具，可供科學研究社區探索和試驗用于天氣和氣候的 AI 模型，并促進社區內的協作和創新。構建應用程序的企業開發者可以通過 NVIDIA AI Enterprise 訪問 NVIDIA NIM 微服務藍圖 、特定于任務的診斷模型 (例如上一個示例中使用的模型) 以及企業支持。這種企業級集成可確保組織可以使用先進的 AI 技術構建可擴展的高性能解決方案，并受益于 NVIDIA 在 AI 驅動解決方案方面的專業知識。
可視化天氣預報?
Earth-2 平臺提供利用 NVIDIA Omniverse 的可視化工作流，NVIDIA Omniverse 是一個 3D 開發平臺，旨在促進不同應用之間的互操作性，并提供協作環境，供開發者和設計師無縫協作。借助 NVIDIA RTX 實時渲染技術，Omniverse 能夠創建高分辨率的交互式可視化效果，非常適合各種行業用例。
通過 Earth-2 平臺利用這些功能，您可以構建關于地球和大氣的交互式詳細表示，從而促進更好的理解和決策。圖 5 顯示了在 NVIDIA Omniverse 的幫助下構建的 7 天 SSI 預測。高輻射度通過覆蓋在衛星基礎圖像上的明亮顏色表示。
本文簡要介紹了為地球系統數據的高保真渲染構建可視化工作流的可能性。此類參考流程是模塊化和開放的擴展程序，可實現復雜可視化與自定義應用的靈活集成。 詳細了解科學可視化工具 。
開始使用 NVIDIA Earth-2?
NVIDIA Earth-2 是一個用于加速天氣和氣候模擬模型訓練和推理的平臺。它提供了使用 AI 天氣模型的關鍵工具和藍圖，并將新開發的模型無縫集成到推理管道中。Earth-2 平臺的主要組件是用于模型訓練的 NVIDIA PhysicsNeMo 和用于模型推理的 Earth2Studio。兩者都支持您從各種數據源、架構和預訓練模型中進行選擇。
要開始使用 PhysicsNeMo，請按照 PhysicsNeMo 入門指南 快速設置環境。要訓練模型，請訪問 GitHub 上的 NVIDIA/physicsnemo ，查看幾個示例。
要開始使用 Earth2Studio，請按照 Earth2Studio 安裝指南 安裝 Python 包。按照 NVIDIA/earth2studio GitHub 教程運行您的第一個天氣預報。
?
?
