Новое исследование использует ИИ и машинное обучение для улучшения сезонных прогнозов погоды

Исследователи из Университетов Линкольна, Шеффилда и Рединга разработали новый метод для улучшения прогнозирования сезонных погодных условий в Великобритании и Северо-Западной Европе. Модель использует метод машинного обучения NARMAX (Nonlinear AutoRegressive Moving Average models with eXogenous inputs) для прогнозирования состояния струйного течения Северной Атлантики и атмосферной циркуляции, которые тесно связаны с аномалиями температуры приземного воздуха и осадков.

Этот прорыв может сыграть решающую роль в улучшении сезонного прогнозирования, особенно в летние месяцы, когда традиционные и более дорогие суперкомпьютерные модели испытывают трудности с точным предсказанием условий. Метод NARMAX показал высокую точность для прогнозов как на лето, так и на зиму, для нескольких различных паттернов циркуляции воздуха. Результаты будут полезны для многих секторов, включая агропродовольственную, энергетическую, досуговую и туристическую отрасли.

"Мы продемонстрировали тесную связь между циркуляцией, паттернами струйного течения и сезонными погодными условиями у поверхности в Северо-Западной Европе, — прокомментировал доктор Ян Симпсон. — Таким образом, используя модели NARMAX для создания сезонных прогнозов паттернов циркуляции, мы можем преобразовать их в прогнозы сезонных погодных условий, например, аномалий температуры и осадков".

Профессор Эдвард Ханна добавил, что опубликованные работы демонстрируют большой потенциал моделирования NARMAX для помощи в доработке следующего поколения суперкомпьютерных прогностических моделей. Доктор Имин Сань отметил, что разработанная модель NARMAX продемонстрировала высокую степень прогностической точности по сравнению с динамическими моделями.