earth2mip Download - earth2mip Source Code Download

earth2mip

شفرة المصدر الأخرى

v0.1.0

تنزيل

Earth-2 MIP (بيتا)

Earth-2 Model Intercomparison Project (MIP) هو إطار من الذكاء الاصطناعى القائم على Python يمكّن باحثو المناخ والعلماء من استكشاف وتجربة استخدام نماذج الذكاء الاصطناعي للطقس والمناخ. إنه يوفر سير العمل المرجعي لفهم كيفية التقاط نماذج الذكاء الاصطناعى فيزياء الغلاف الجوي للأرض وكيف يمكنها العمل مع نماذج التنبؤ بالطقس العددي التقليدي. على سبيل المثال ، يوفر Repo واجهة موحدة لتشغيل الاستدلال باستخدام نقاط التفتيش النموذجية المدربة مسبقًا وتسجيل مهارة هذه النماذج باستخدام مقاييس قياسية معينة. يهدف هذا المستودع إلى تسهيل مجتمع الطقس والمناخ للتوصل إلى خط أساس مرجعي جيد للأحداث لاختبار النماذج ضد ومجموعة متنوعة من مصادر البيانات.

تثبيت

سيتم تثبيت Earth-2 MIP على PYPI عند الإصدار العام. في الوقت نفسه ، يمكن للمرء التثبيت من المصدر:

git clone [email protected]:NVIDIA/earth2mip.git

cd earth2mip && pip install .

انظر وثائق التثبيت لمزيد من التفاصيل والخيارات الأخرى.

ابدء

يوفر Earth-2 MIP مجموعة من الأمثلة التي يمكن عرضها على صفحة الوثائق أمثلة يمكن استخدامها للبدء في مختلف مهام سير العمل. يمكن تنزيل هذه الأمثلة على حد سواء كدفاتر Jupyer و Python البرامج النصية. يمكن العثور على البرامج النصية Python المصدر في مجلدات الأمثلة.

الاستدلال الأساسي

يوفر Earth-2 MIP واجهات برمجة التطبيقات عالية المستوى لتشغيل نماذج الذكاء الاصطناعي. على سبيل المثال ، يمكن استخدام ما يلي لتشغيل Pangu Weather باستخدام حالة أولية من متجر بيانات المناخ (CDS):

python
>>> import datetime
>>> from earth2mip.networks import get_model
>>> from earth2mip.initial_conditions import cds
>>> from earth2mip.inference_ensemble import run_basic_inference
>>> time_loop  = get_model( " e2mip://dlwp " , device= " cuda:0 " )
>>> data_source = cds.DataSource(time_loop.in_channel_names)
>>> ds = run_basic_inference(time_loop, n=10, data_source=data_source, time=datetime.datetime(2018, 1, 1))
>>> ds.chunk ()
< xarray.DataArray (time: 11, history: 1, channel: 69, lat: 721, lon: 1440) >
dask.array < xarray- < this-array > , shape=(11, 1, 69, 721, 1440), dtype=float32, chunksize=(11, 1, 69, 721, 1440), chunktype=numpy.ndarray >
Coordinates:
  * lon      (lon) float32 0.0 0.25 0.5 0.75 1.0 ... 359.0 359.2 359.5 359.8
  * lat      (lat) float32 90.0 89.75 89.5 89.25 ... -89.25 -89.5 -89.75 -90.0
  * time     (time) datetime64[ns] 2018-01-01 ... 2018-01-03T12:00:00
  * channel  (channel) < U5 ' z1000 ' ' z925 ' ' z850 ' ' z700 ' ... ' u10m ' ' v10m ' ' t2m '
Dimensions without coordinates: history

ويمكنك الحصول على ACC/RMSE مثل هذا:

 >>> from earth2mip.inference_medium_range import score_deterministic
>>> import numpy as np
>>> scores = score_deterministic(time_loop,
    data_source=data_source,
    n=10,
    initial_times=[datetime.datetime(2018, 1, 1)],
    # fill in zeros for time-mean, will typically be grabbed from data.
    time_mean=np.zeros((7, 721, 1440))
)
>>> scores
<xarray.Dataset>
Dimensions:        (lead_time: 11, channel: 7, initial_time: 1)
Coordinates:
  * lead_time      (lead_time) timedelta64[ns] 0 days 00:00:00 ... 5 days 00:...
  * channel        (channel) <U5 't850' 'z1000' 'z700' ... 'z300' 'tcwv' 't2m'
Dimensions without coordinates: initial_time
Data variables:
    acc            (lead_time, channel) float64 1.0 1.0 1.0 ... 0.9686 0.9999
    rmse           (lead_time, channel) float64 0.0 2.469e-05 0.0 ... 7.07 2.998
    initial_times  (initial_time) datetime64[ns] 2018-01-01
>>> scores.rmse.sel(channel='z500')
<xarray.DataArray 'rmse' (lead_time: 11)>
array([  0.        , 150.83014446, 212.07880612, 304.98592282,
       381.36510987, 453.31516952, 506.01464974, 537.11092269,
       564.79603347, 557.22871627, 586.44691243])
Coordinates:
  * lead_time  (lead_time) timedelta64[ns] 0 days 00:00:00 ... 5 days 00:00:00
    channel    <U5 'z500'

النماذج المدعومة

توضح دفاتر الملاحظات هذه الإرشاد مع عدد قليل من الطرز ، ويمكن أن يكون ذلك بمثابة إشارة إلى جلب نقطة التفتيش الخاصة بك طالما أنها متوافقة. قد يكون هناك عمل إضافي لجعله متوافقًا مع Earth-2 MIP. يقوم Earth-2 MIP بالاستفادة من حديقة الحيوان النموذجية في المعامل لتوفير مجموعة مرجعية من نماذج الخط الأساسي. الهدف من ذلك هو تمكين المجتمع من تنمية هذه المجموعة من النماذج كما هو موضح في الجدول أدناه.

بطاقة تعريف	نموذج	بنيان	يكتب	مرجع	مصدر	مقاس
FCN	Fourcastnet	المشغل العصبي فورييه التكيفي	الطقس العالمي	arxiv	معامل	300 ميجابايت
DLWP	التعلم العميق للتنبؤ بالطقس	ترفيه الترفيه الترفيهي	الطقس العالمي	أغو	معامل	50 ميجابايت
بانغ	الطقس بانغ (هرمي 6 + 24 ساعة)	محول الرؤية	الطقس العالمي	طبيعة	onnx	2GB
Pangu_6	طراز Pangu Weather 6HR	محول الرؤية	الطقس العالمي	طبيعة	onnx	1 جيجا بايت
Pangu_24	طراز Pangu Weather 24 ساعة	محول الرؤية	الطقس العالمي	طبيعة	onnx	1 جيجا بايت
FCNV2_SM	Fourcastnet V2	التوافقيات الكروية فورييه المشغل العصبي	الطقس العالمي	arxiv	معامل	3.5 جيجابايت
Graphcast	Graphcast ، 37 مستوى ، 0.25 درجة	الرسم البياني الشبكة العصبية	الطقس العالمي	علوم	جيثب	145 ميجابايت
Graphast_small	Graphcast ، 13 مستوى ، 1 درجة	الرسم البياني الشبكة العصبية	الطقس العالمي	علوم	جيثب	144 ميجابايت
Graphcast_operational	Graphcast ، 13 مستوى ، 0.25 درجة	الرسم البياني الشبكة العصبية	الطقس العالمي	علوم	جيثب	144 ميجابايت
الهطول	Fourcastnet هطول الأمطار	المشغل العصبي فورييه التكيفي	التشخيص	arxiv	معامل	300 ميجابايت
Climatenet	نموذج تجزئة climatenet	الشبكة العصبية التلافيفية	التشخيص	GMD	معامل	2 ميجابايت

* = قريبا

تتطلب بعض النماذج تبعيات إضافية غير مثبتة بشكل افتراضي. ارجع إلى تعليمات التثبيت للحصول على التفاصيل.

ملاحظة : قد يكون لكل نقطة تفتيش طراز ترخيصها الفريد. نحن نشجع المستخدمين على التعرف على كل منهم لفهم الآثار المترتبة على حالة الاستخدام الخاصة بهم.

نريد دمج النموذج الخاص بك في لوحة النتائج لإظهار المجتمع! أفضل طريقة للقيام بذلك هي عبر معامل Nvidia. يمكنك المساهمة في النموذج الخاص بك (كل من رمز التدريب وكذلك نقطة تفتيش النموذج) ويمكننا التأكد من الحفاظ عليه كجزء من المجموعة المرجعية.

المساهمة

Earth-2 MIP هو تعاون مفتوح المصدر ونجاحه متجذر في مساهمة المجتمع في هذا المجال. شكرًا لك على المساهمة في المشروع حتى يتمكن الآخرون من البناء على مساهمتك. للحصول على إرشادات حول تقديم المساهمة في Earth-2 MIP ، يرجى الرجوع إلى الإرشادات المساهمة.