Современные метеорологические системы демонстрируют относительно высокую точность прогнозирования атмосферных явлений на период до 10 суток. В течение этого времени специалисты могут с достаточной вероятностью определять температуру воздуха, уровень осадков, скорость ветра и время возникновения отдельных погодных паттернов. Однако существующие цифровые модели теряют свою эффективность при попытке рассчитать состояние атмосферы на отдаленный период от двух до шести недель, что ограничивает возможности для долгосрочного планирования во многих секторах экономики.
При прогнозировании на такой субсезонный промежуток времени системы сосредотачиваются преимущественно на вероятностных характеристиках, аномалиях среднесуточной температуры, характере распределения осадков и повышенном риске возникновения специфических погодных условий. Отсутствие детализации в таких прогнозах создает определенные трудности для аграрного сектора, где точность данных прямо влияет на планирование посевных работ, графиков орошения, внесения удобрений и процессов сбора урожая. Кроме сельского хозяйства, совершенствование методов предсказания является критическим для систем управления чрезвычайными ситуациями и подготовки к стихийным бедствиям.
Группа исследователей из Массачусетского технологического института внедрила новую методику для повышения точности погодных прогнозов. Вместо того чтобы обучать новую модель прогнозирования с нуля, ученые применили алгоритмы машинного обучения для выявления системных или циклических ошибок в уже существующих моделях, которые ранее оставались незамеченными разработчиками. После обнаружения таких технических изъянов алгоритм автоматически корректирует прогнозные данные, нивелируя накопленную погрешность расчетов, результаты чего были обнародованы в научном издании Nature.
В ходе экспериментов исследователи применили разработанную систему искусственного интеллекта к наиболее авторитетным моделям прогнозирования, которые считаются золотым стандартом в мировой метеорологии. Результаты продемонстрировали, что такой подход позволил удвоить надежность прогнозов на период от двух до шести недель. Использование машинного обучения для исправления системных ошибок оказалось эффективнее попыток создать более сложные физические модели атмосферы, которые требуют значительно больших вычислительных ресурсов для обработки данных.
Исследователи также протестировали свою разработку на менее мощных и менее развитых прогностических системах. В этих случаях искусственный интеллект значительно сократил разрыв в производительности между простыми моделями и ведущими мировыми аналогами. Участники проекта выражают надежду на внедрение этой техники в глобальном масштабе, поскольку это позволит повысить качество раннего предупреждения о стихийных бедствиях, особенно в регионах, где быстрая реакция на природные угрозы является вопросом сохранения инфраструктуры и безопасности населения.
