Исследователи из Microsoft Research New England совместно с MIT и Европейским центром среднесрочных прогнозов погоды (ECMWF) представили метод на базе машинного обучения, повышающий точность метеорологических прогнозов на горизонте от двух до шести недель. При этом метод не требует огромной вычислительной мощности, и не теряет в точности на горизонте свыше двух недель, в отличие от традиционных подходов.
Источник изображения: Unsplash / Mark König
Результаты исследования метода PBC были опубликованы в журнале Nature, а сам инструмент стал доступен в формате ПО с открытым исходным кодом. Ещё до публикации научной статьи работа авторов была отмечена наградой на конкурсе AI Weather Quest, организованном ECMWF.
И физические модели, и модели на базе ИИ сталкиваются со схожими трудностями при прогнозировании погоды на срок от двух недель и более. Традиционные модели пытаются имитировать сложные физические процессы в атмосфере Земли, тогда как модели на базе ИИ выявляют закономерности в исторических данных.
В обоих случаях для заполнения пробелов в информации — будь то нехватка метеостанций в определённых регионах или сложные атмосферные явления, которые учёные ещё не до конца изучили, — используются приближённые значения. Способы, с помощью которых модели компенсируют недостаток данных, приводят к возникновению систематических ошибок. При составлении долгосрочных прогнозов такие ошибки накапливаются, из-за чего точность предсказаний снижается.
В качестве примера приводится корректировка прогнозов с учётом климатических изменений. Выбросы парниковых газов при использовании ископаемого топлива приводят к нагреву планеты, однако метеорологические модели, опирающиеся на исторические данные, могут давать прогнозы с заниженными температурами — ниже тех, что наблюдаются в действительности.
Специалисты Microsoft назвали свою разработку «вероятностной коррекцией систематических ошибок» (Probabilistic Bias Correction, PBC). Метод предназначен для устранения систематических ошибок (смещений) в уже существующих моделях. По мнению авторов, это более доступный способ повысить точность прогнозов с помощью ИИ для метеорологических служб, располагающих ограниченными ресурсами.
Исследователи обнаружили, что метод PBC повышает точность одной из ведущих физико-математических моделей погоды, разработанной ECMWF. Показатели точности улучшились для 98 % прогнозов осадков и 92 % прогнозов температуры. Кроме того, PBC позволил вдвое повысить точность новой системы прогнозирования ECMWF, использующей искусственный интеллект. Таким образом, инструмент позволит фермерам и экстренным службам по всему миру гораздо эффективнее готовиться к аномальной жаре, ураганам и затяжным ливням.
В отличие от традиционных моделей, требующих ресурсов суперкомпьютеров, и генеративного ИИ, работающего на дорогих видеокартах (GPU), метод PBC отличается низкими требованиями к вычислительным ресурсам. По словам старшего ведущего исследователя Лестера Маки (Lester Mackey), разработка может работать на обычных центральных процессорах (CPU).
«Я возлагаю большие надежды как на повышение эффективности использования ресурсов при прогнозировании погоды, так и на увеличение надёжности самих прогнозов — особенно в случаях экстремальных погодных явлений», — рассказал Маки в интервью изданию The Verge.
Благодаря минимальным системным требованиям метеослужбы в развивающихся странах смогут адаптировать ИИ к особенностям своих регионов. Сейчас систему уже тестируют в Кении в преддверии сезона дождей.