MIT улучшил прогнозы погоды на две—шесть недель с помощью ИИ

Исследователи MIT, Microsoft, Европейского центра среднесрочных прогнозов погоды (ECMWF) и других организаций создали ИИ-надстройку для прогнозов на срок от двух до шести недель. При применении к эталонной модели ECMWF она удвоила её предсказательную способность в этом диапазоне и заняла первое место в международном конкурсе центра.

Работа описана в журнале Nature. Авторы утверждают, что их метод впервые позволил стабильно превзойти климатологические средние при субсезонном прогнозировании — периоде, который метеорологи считают особенно сложным.

Коррекция ошибок вместо замены прогнозной модели

Подход не строит прогноз с нуля. Машинное обучение работает как слой постобработки: оно изучает исторические ошибки базовой системы, оценивает их и корректирует выдаваемые вероятностные прогнозы. По мере появления новых данных этот механизм может адаптировать коррекцию.

Для сроков до двух недель прогнозы могут опираться на текущие условия в атмосфере. На более длинных горизонтах помогают медленно меняющиеся климатические факторы. Интервал от двух до шести недель Джуда Коэн из MIT называет «пустыней предсказуемости»: в нём оба преимущества выражены слабее.

Авторы проверили три модели с этим слоем в сезонном соревновании ECMWF. Победившая система объединила прогнозную модель ECMWF с другой моделью, а затем применила ИИ-коррекцию. Результат оказался вдвое точнее исходной модели в субсезонном диапазоне.

Экстремальные явления и практическое применение

Отдельно команда сообщила о статистически значимом улучшении прогнозов экстремальной погоды, включая наводнения и периоды сильного похолодания. Это важно потому, что традиционная коррекция смещения стремится приблизить прогноз к среднему значению, тогда как экстремальные события находятся на краях распределения вероятностей.

В статье также показано, что метод улучшает прогнозы суши в большинстве регионов мира и может применяться к другим моделям. По словам исследователей, даже менее сильные системы после такой коррекции приближались к уровню прогнозов ECMWF. Для обучения использовали суперкомпьютерный кластер MIT Engaging, но для работы готовой модели суперкомпьютер не требуется.

Метеорологическая служба Кении уже обратилась к команде по поводу применения решения для прогнозирования ежегодного муссонного сезона. Авторы связывают такие прогнозы с планированием внесения удобрений, защитой урожая от заморозков и подготовкой к засухе.

Для бизнеса ценность метода состоит в более раннем сигнале о погодных рисках. Энергетические компании, аграрии и службы экстренного реагирования получают не замену базовым метеомоделям, а дополнительный инструмент для уточнения их результатов и подготовки на горизонте нескольких недель.