Машинное обучение может улучшить предупреждения об экстремальной погоде

Новый метод на основе глубокого обучения позволяет значительно повысить точность долгосрочных прогнозов погоды, включая экстремальные события. Исследователи протестировали подход на моделях GraphCast (Google DeepMind) и Pangu-Weather (Huawei Cloud), симулируя разрушительную волну жары на северо-западе США в июне 2021 года.

Метод позволил определить оптимальные начальные условия для прогноза, что привело к сокращению ошибок 10-дневного прогноза примерно на 94% в модели GraphCast. Аналогичное улучшение было достигнуто и с моделью Pangu-Weather. Важно, что новый подход повысил точность прогнозов вплоть до 23 дней вперед, что превосходит возможности традиционных адъюнктных моделей, ограниченных пятью днями.

Исследование, опубликованное в журнале Geophysical Research Letters, демонстрирует, что методы глубокого обучения могут стать более эффективной и доступной альтернативой для определения чувствительности прогноза к начальным условиям, что критически важно для заблаговременной подготовки к опасным явлениям.