Ученые создали ИИ-модель, конкурирующую с лучшими методами прогноза погоды и климата

Исследователи представили в журнале Nature модель машинного обучения NeuralGCM, способную как точно предсказывать погоду, так и моделировать климат. Модель превосходит некоторые существующие прогностические системы и может значительно сократить вычислительные затраты по сравнению с традиционными методами.

Общие циркуляционные модели (GCMs), описывающие физические процессы в атмосфере, океане и на суше, являются основой прогнозов погоды и климата. Снижение неопределенности в долгосрочных прогнозах и оценка экстремальных погодных явлений критически важны для понимания смягчения последствий изменения климата и адаптации к ним. NeuralGCM, разработанная командой под руководством Стефана Хойера, сочетает методы машинного обучения и физически обоснованные подходы, что позволяет ей выполнять кратко- и среднесрочные прогнозы погоды, а также моделировать климат на протяжении десятилетий.

Модель конкурирует по точности с прогнозами Европейского центра среднесрочных прогнозов погоды (ECMWF) на срок от 1 до 15 дней. Для прогнозов до 10 дней она соперничает, а иногда и превосходит существующие подходы на основе машинного обучения. NeuralGCM также создает климатические симуляции с точностью, сравнимой с лучшими методами. При включении в 40-летние климатические прогнозы данных о температуре поверхности моря, результаты модели соответствовали наблюдаемым глобальным трендам потепления.

Кроме того, NeuralGCM превзошла существующие климатические модели в предсказании циклонов и их траекторий. Эти результаты свидетельствуют о том, что машинное обучение является жизнеспособным подходом для улучшения общих циркуляционных моделей.