Исследователи используют статистику и методы ИИ для коррекции систематических ошибок моделей погоды

Улучшение защиты людей и окружающей среды требует точных прогнозов экстремальных погодных явлений, таких как зимние штормы. Исследователи из Технологического института Карлсруэ (KIT) сравнили методы статистики и машинного обучения для прогнозирования порывов ветра, чтобы сделать прогнозы более точными и надежными. Они обнаружили, что учет географической информации и дополнительных метеорологических переменных, таких как температура, значительно повышает качество прогноза, особенно при использовании современных методов ИИ на основе нейронных сетей.

Для лучшей оценки неопределенностей прогнозов метеорологи используют ансамблевые прогнозы, выполняя несколько параллельных расчетов модели для слегка различающихся начальных условий. Однако такие прогнозы по-прежнему имеют систематические ошибки, так как модели не могут учесть локальные, меняющиеся во времени условия.

Впервые были сравнены различные статистические и ИИ-методы для постобработки ансамблевых прогнозов порывов ветра. Все методы давали надежные прогнозы, но методы ИИ оказались намного превосходящими классические статистические подходы. Они позволяют лучше учитывать новые источники информации, такие как географические условия или другие метеорологические переменные (температура, солнечная радиация).

Методы ИИ сокращают ошибки прогнозов погодных моделей в среднем на 36%. Анализ прогнозов по модели Немецкой метеослужбы (DWD) на 175 станциях в Германии показал, что ИИ-методы дали лучшие результаты более чем на 92% станций. Нейронные сети способны изучать сложные нелинейные взаимосвязи из больших наборов данных, что играет ключевую роль в коррекции систематических ошибок.

Исследователи вносят вклад в развитие методов прогноза погоды на стыке статистики и ИИ. Эти методы могут быть использованы метеослужбами для улучшения своих прогнозов.