Ураган Флоренс, вид с Международной космической станции
Крупные корпорации представили новое поколение метеорологических моделей на основе машинного обучения.
Эти модели бросают вызов устоявшимся методам прогнозирования, основанным на физике, которые совершенствовались на протяжении десятилетий.
Но насколько эффективны эти модели машинного обучения?
Погода является значимым аспектом британской жизни, учитывая частые и резкие изменения условий.
Точные прогнозы погоды имеют решающее значение для ежедневного планирования, но точные прогнозы опасных погодных явлений еще более важны для корректировки поведения, мер спасения жизней и уменьшения ущерба имуществу.
Глобальная экономическая ценность точных прогнозов погоды неизмерима, но бесспорно существенна.
По данным NOAA (Национального управления океанических и атмосферных исследований), только в США, если учитывать погодные катастрофы, ущерб от которых превышает 1 млрд долларов США (740 млн фунтов стерлингов), воздействие в 2024 году достигло 182 млрд долларов США, с 568 погибшими.
С 1980 года общий ущерб превышает почти 3 трлн долларов США.
В Великобритании в результате волн тепла 2024 года произошло 1311 случаев смерти сверх ожидаемого уровня.
В исследовании London Economics, external было подсчитано, что за десять лет Метеорологическое бюро Великобритании (Met Office) обеспечивает экономическую выгоду для страны в размере 56 млрд фунтов стерлингов за счет метеорологических услуг.
Если экстраполировать это на весь мир, учитывая рост населения и все более экстремальные погодные условия из-за изменения климата, прогнозирование погоды — это крупная отрасль.
Борьба с волнами тепла
Традиционные прогнозы опираются на одни из самых мощных в мире суперкомпьютеров; контракт Met Office на суперкомпьютеры оценивается в 1,2 млрд фунтов стерлингов.
Эти инвестиции обеспечивают машину, способную выполнять 60 квадриллионов (60 000 000 000 000 000) вычислений в секунду, работающую с физической моделью, содержащей более миллиона строк кода и использующую 215 миллиардов метеорологических наблюдений.
Глобальные модели обрабатывают данные в сетке ячеек по всей планете. Разрешение варьируется от примерно 10 кв. км до 28 кв. км (от 3,86 кв. миль до 10,81 кв. миль).
Это разрешение ограничивает точность прогнозирования ливней, а горы выглядят менее выраженными, чем в реальности.
Модель Met Office с самым высоким разрешением, UKV (используемая для 48-часовых прогнозов на BBC TV), прогнозирует ливни с разрешением 1,5 км (0,9 мили). Однако ее вычислительные требования ограничивают ее использование Великобританией и Европой.
Модели машинного обучения относительно новые, но их развитие быстрое и многообещающее.
Традиционные модели требуют нескольких часов работы на дорогих суперкомпьютерах, в то время как эти новые модели могут работать менее чем за минуту на обычных ноутбуках. Они обходят подробную физику, вместо этого обучаясь на 40 годах исторических данных.
Их производительность?
Данные атмосферного давления ECMWF (Европейского центра среднесрочных прогнозов погоды) за зиму 2024/2025 показывают, external, что GraphCast (Google), AIFS (ECMWF) и Aurora (Microsoft) превосходят традиционный эталон IFS (ECMWF), в то время как FourCastNet (Nvidia) и Pangu-Weather (Huawei) отстают.
Производительность варьируется в зависимости от переменной, и прогресс быстрый.
Точность уменьшается со временем прогнозирования, что отражает хаотическую природу атмосферы. Десятидневные прогнозы, независимо от типа модели, не обладают достаточной точностью.
Стоит ли отказываться от моделей, основанных на физике?
Пока нет.
Модели машинного обучения опираются на данные традиционных моделей и используют их исходные точки атмосферы. Без традиционных моделей модели машинного обучения были бы значительно менее эффективны.
Хотя они отлично справляются с прогнозированием крупномасштабных особенностей, таких как высокое и низкое давление, они уступают традиционным моделям в масштабах менее 1000 км.
Это означает, что такие важные особенности, как желоба и гребни, могут быть упущены, что изменит прогнозы от сухого до сильного дождя.
Последствия наводнения в Боскастле, Корнуолл, август 2004 года
Большинство моделей машинного обучения имеют разрешение 28 кв. км, соответствующее их обучающим данным. Это означает, что мелкие особенности, такие как ливни, вероятно, будут упущены, что затрудняет прогнозирование таких событий, как наводнение в Боскастле, external за несколько дней до него.
Заголовки новостей говорят о превосходном прогнозировании ураганов.
Хотя некоторые модели показали незначительное улучшение прогнозов выхода на сушу, прогнозы силы ветра — и, следовательно, потенциального ущерба — были слабее. Это может быть связано с эффектами сглаживания при анализе 40 лет данных об ураганах.
Извержение вулкана Пинатубо на Филиппинах в 1991 году стало вторым по величине извержением XX века
Модели ИИ могут испытывать трудности с редкими событиями, которые недостаточно представлены в 40-летнем тренировочном наборе данных. Извержение вулкана Пинатубо, external в 1991 году, которое вызвало глобальное снижение температуры до 0,5°C на два года, служит примером.
Существуют также опасения по поводу их производительности в условиях потепления климата. Прошлые климатические данные, на которых они обучаются, будут значительно отличаться от будущего климата по мере увеличения уровня парниковых газов, external.
Будущее через пять лет?
Профессор Кирстин Дейл, главный специалист Met Office по ИИ, прогнозирует, что «традиционные и модели ИИ будут работать вместе, чтобы предоставлять сверхлокализованные, точные и быстрые прогнозы».
Несмотря на свою недолгую историю, модели машинного обучения демонстрируют огромный потенциал, учитывая их скорость, эффективность и быстрое развитие.
Может ли ИИ заменить синоптиков?