Атмосферные ученые предполагают, что ИИ можно использовать для 30-дневных прогнозов погоды

Группа атмосферных ученых из Вашингтонского университета обнаружила свидетельства того, что прогнозисты погоды, возможно, смогут заглядывать вперед на срок до 30 дней. В своем исследовании, опубликованном на сервере препринтов arXiv, команда протестировала основанную на ИИ систему моделирования и прогнозирования погоды GraphCast от Google, используя технику улучшения начальных погодных условий для повышения ее точности.

В течение последних полувека метеорологи считали, что двухнедельный период прогнозирования является предельным. Это связано с так называемым эффектом бабочки, когда крошечные события, такие как ветер, создаваемый взмахом крыльев бабочки, могут приводить к каскадным эффектам с масштабными последствиями. Исследователи из Вашингтона тестировали возможность использования технологии ИИ для удлинения окна прогнозирования.

Ученые провели испытания с GraphCast — моделью прогнозирования погоды на основе ИИ, созданной Google, которая обучается на 40-летних данных традиционных прогнозов и спутниковых снимков. Они задались вопросом, может ли повышение точности начальных условий, используемых для формирования прогноза, улучшить общую точность модели.

Команда сравнивала прогнозы, сделанные моделью, с наиболее актуальным состоянием атмосферы, взятым из данных, использовавшихся для обучения модели. Затем они использовали ошибки в краткосрочных прогнозах для корректировки начальных условий и применили их к данным реанализа, на которых обучалась модель, обеспечив ей более точную стартовую точку. Эту процедуру повторили более 1000 раз, каждый раз повышая точность начальных условий.

После обучения GraphCast на новых, скорректированных данных исследователи обнаружили, что это улучшило его способность к 10-дневному прогнозированию в среднем на 86%. Модель также делала достаточно точные предсказания на срок до 33 дней в будущем.

Исследователи признают, что для того, чтобы модели ИИ могли делать точные долгосрочные прогнозы, необходима еще большая работа, включая тестирование их подхода в реальных условиях.