Новое исследование, проведённое в Метеорологическом бюро Великобритании (Met Office) и опубликованное в журнале Climate and Atmospheric Science, показало, что погодные модели, основанные на машинном обучении, могут революционизировать глобальное сезонное прогнозирование.

Сезонные прогнозы, в которых рассматриваются вероятные условия погоды на ближайшие три месяца, могут дать ценную информацию для долгосрочного планирования и принятия решений, в том числе в области сельского хозяйства, водных ресурсов и даже общественного здравоохранения. Существующие методы составления сезонных прогнозов предполагают многократный запуск физических моделей для понимания наиболее вероятных сценариев развития синоптических процессов. Сезонные прогнозы Met Office в настоящее время являются одними из лучших в мире, обеспечивая ясность в отношении возможных сценариев погоды на месяцы вперед.

Новая модель Института искусственного интеллекта Аллена (Ai2), известная как ACE2, демонстрирует сопоставимую (хотя и более низкую иногда) точность в сравнении с существующими методами при значительно меньшей требуемой вычислительной мощности.

Чтобы оценить точность сезонных прогнозов ACE2, совокупность глобальных прогнозов, охватывающих 23 зимы в Северном полушарии, была сопоставлена с предсказаниями, основанными на физике, за тот же период, а также с реальностью наблюдаемых условий, которые имели место.

Общий разброс был аналогичен существующим методам, с помощью которых можно было точно предсказать Североатлантическое колебание, которое часто влияет на погодные условия в Европе и Северной Америке. При прогнозировании зимнего Североатлантического колебания в моделях, основанных на физике, обычно наблюдаются коэффициенты корреляции 0,3 – 0,6, в то время как показатель ACE2 составляет чуть менее 0,5. В этой методологии показатель, равный 1, продемонстрировал бы абсолютную точность в наблюдаемых условиях.

Однако в разных местах по всему миру были продемонстрированы различные уровни точности, и в целом модель, основанная на машинном обучении, ещё не превзошла существующую методологию, основанную на физике.

Несмотря на то, что исследование демонстрирует потенциал для прогнозирования погоды на зиму, оно также подчеркивает потенциальные ограничения для подобных моделей. Оказалось, что модель ACE2 с трудом предсказывает условия, выходящие за рамки обучающих данных. Так, например, зима 2009/10 года была исключительно холодной и является ключевым тестовым случаем для прогнозирования, но без учёта физики, лежащей в основе традиционных моделей, решения на основе искусственного интеллекта не смогли предсказать этот более экстремальный случай.

Это концептуальное исследование является ещё одним шагом на пути к следующему поколению методов прогнозирования погоды и подчеркивает постоянный инновационный подход Met Office к повышению эффективности метеорологических прогнозов.