ШІ подвоює точність метеопрогнозів на 2–6 тижнів
Дослідники з MIT застосували машинне навчання для виправлення системних помилок у провідних моделях прогнозування погоди, що дозволило вдвічі підвищити надійність субсезонних прогнозів на період від двох до шести тижнів.
Дослідницька група з Массачусетського технологічного інституту розробила методику, яка дозволяє вдвічі підвищити точність метеорологічних прогнозів на термін від двох до шести тижнів. Замість створення нової моделі з нуля вчені застосували алгоритми машинного навчання для виявлення та автоматичного виправлення системних помилок, які залишалися непоміченими в уже існуючих прогностичних системах. Результати дослідження опубліковано в науковому виданні Nature.
Сучасні метеорологічні системи демонструють високу точність на період до 10 діб: фахівці з достатньою ймовірністю визначають температуру повітря, рівень опадів, швидкість вітру та час виникнення окремих погодних патернів. Однак на субсезонному проміжку від двох до шести тижнів цифрові моделі втрачають ефективність, що обмежує можливості довгострокового планування в багатьох секторах економіки. На таких термінах прогнози зосереджуються переважно на ймовірнісних характеристиках, аномаліях середньодобової температури, характері розподілу опадів та підвищеному ризику виникнення специфічних погодних умов.
Відсутність деталізації у субсезонних прогнозах створює труднощі для аграрного сектору, де точність даних прямо впливає на планування посівних робіт, графіків зрошення, внесення добрив та процесів збору врожаю. Окрім сільського господарства, вдосконалення методів передбачення є критичним для систем управління надзвичайними ситуаціями та підготовки до стихійних лих.
Дослідники застосували свою систему штучного інтелекту до найбільш авторитетних моделей прогнозування, які вважаються золотим стандартом у світовій метеорології. Результати продемонстрували, що підхід дозволив подвоїти надійність прогнозів на період від двох до шести тижнів. Використання машинного навчання для виправлення системних помилок виявилося ефективнішим за спроби створити складніші фізичні моделі атмосфери, які потребують значно більших обчислювальних ресурсів для обробки даних.
Розробку також протестували на менш потужних та менш розвинених прогностичних системах. У цих випадках штучний інтелект значно скоротив розрив у продуктивності між простими моделями та провідними світовими аналогами. Це відкриває перспективи для впровадження технології в регіонах з обмеженими обчислювальними ресурсами.
Учасники проекту висловлюють надію на впровадження цієї техніки у глобальному масштабі. На їхню думку, це дозволить підвищити якість раннього попередження про стихійні лиха, особливо в регіонах, де швидка реакція на природні загрози є питанням збереження інфраструктури та безпеки населення. Удосконалення субсезонних прогнозів також може принести економічну вигоду енергетиці, транспорту та іншим галузям, чутливим до погодних умов.
4
