Сучасні метеорологічні системи демонструють відносно високу точність прогнозування атмосферних явищ на період до 10 діб. Протягом цього часу фахівці можуть з достатньою ймовірністю визначати температуру повітря, рівень опадів, швидкість вітру та час виникнення окремих погодних патернів. Однак наявні цифрові моделі втрачають свою ефективність при спробі розрахувати стан атмосфери на віддалений період від двох до шести тижнів, що обмежує можливості для довгострокового планування в багатьох секторах економіки.
При прогнозуванні на такий субсезонний проміжок часу системи зосереджуються переважно на ймовірнісних характеристиках, аномаліях середньодобової температури, характері розподілу опадів та підвищеному ризику виникнення специфічних погодних умов. Відсутність деталізації у таких прогнозах створює певні труднощі для аграрного сектору, де точність даних прямо впливає на планування посівних робіт, графіків зрошення, внесення добрив та процесів збору врожаю. Окрім сільського господарства, вдосконалення методів передбачення є критичним для систем управління надзвичайними ситуаціями та підготовки до стихійних лих.
Група дослідників із Массачусетського технологічного інституту впровадила нову методику для підвищення точності погодних прогнозів. Замість того, щоб навчати нову модель прогнозування з нуля, вчені застосували алгоритми машинного навчання для виявлення системних або циклічних помилок у вже існуючих моделях, які раніше залишалися непоміченими розробниками. Після виявлення таких технічних вад алгоритм автоматично коригує прогнозні дані, нівелюючи накопичену похибку розрахунків, результати чого були оприлюднені в науковому виданні Nature.
В ході експериментів дослідники застосували розроблену систему штучного інтелекту до найбільш авторитетних моделей прогнозування, які вважаються золотим стандартом у світовій метеорології. Результати продемонстрували, що такий підхід дозволив подвоїти надійність прогнозів на період від двох до шести тижнів. Використання машинного навчання для виправлення системних помилок виявилося ефективнішим за спроби створити складніші фізичні моделі атмосфери, які потребують значно більших обчислювальних ресурсів для обробки даних.
Дослідники також протестували свою розробку на менш потужних та менш розвинених прогностичних системах. У цих випадках штучний інтелект значно скоротив розрив у продуктивності між простими моделями та провідними світовими аналогами. Учасники проекту висловлюють надію на впровадження цієї техніки у глобальному масштабі, оскільки це дозволить підвищити якість раннього попередження про стихійні лиха, особливо в регіонах, де швидка реакція на природні загрози є питанням збереження інфраструктури та безпеки населення.
