Учени от Масачузетския технологичен институт (MIT) и техни международни сътрудници разработиха нов метод с машинно обучение, който значително подобрява метеорологичните прогнози за период от две до шест седмици напред. Прилагането му към водещи прогностични системи е довело до удвояване на точността на прогнозите в този труден за предвиждане период.

Изследването, публикувано в сп. Nature, предлага решение на един от основните проблеми на съвременната метеорология: надеждността на прогнозите рязко намалява след първите две седмици. Новият подход не заменя съществуващите модели, а използва изкуствен интелект, за да открива и коригира техните повтарящи се грешки.

Защо прогнозите за няколко седмици напред са толкова трудни?

Съвременните метеорологични системи могат да предоставят сравнително надеждни прогнози за период до около 10 дни. След това обаче несигурността нараства значително, тъй като дори малки разлики в първоначалните атмосферни условия могат да доведат до съществени различия в развитието на времето.

Този период, известен като субсезонно прогнозиране, обхваща приблизително втората до шестата седмица. Вместо да определят с точност времето за конкретен ден и място, моделите се стремят да оценят вероятността от определени условия — например необичайно високи или ниски температури, продължителни валежи или засушаване.

Традиционните физически модели симулират развитието на атмосферата и океаните чрез математически уравнения. Моделите с изкуствен интелект, от своя страна, се обучават върху исторически метеорологични данни. И двата подхода постигат добри резултати при краткосрочните прогнози, но срещат сериозни затруднения при по-дългите периоди.

Изследователският екип разработва метод, наречен Probabilistic Bias Correction (PBC) — корекция на систематичните отклонения в вероятностните прогнози. Вместо да създава изцяло нов модел за прогнозиране на времето, технологията анализира предишни прогнози и реално наблюдаваните метеорологични условия. По този начин тя научава какви грешки дадена система допуска систематично и коригира вероятностите за различните възможни сценарии. Методът отчита не само средните стойности на прогнозата, но и разпределението на вероятностите. Това е важно, защото при прогнозирането на времето несигурността е съществена част от резултата. PBC може да се прилага към различни прогностични системи, включително физически модели, модели с изкуствен интелект и хибридни решения, които комбинират двата подхода.

При тестовете изследователите прилагат метода към системи на Европейския център за средносрочни прогнози за времето (ECMWF), който е сред водещите световни центрове в областта.

Резултатите показват, че PBC удвоява прогнозните възможности на използваната система с изкуствен интелект за субсезонния период. При физическия модел на ECMWF също е отчетено подобрение, като методът превъзхожда използваната оперативна корекция на отклоненията.

Според публикуваното изследване новият подход подобрява резултатите при:

98% от оценяваните показатели за валежите;
92% от показателите за температурата;
91% от показателите за атмосферното налягане.

Тези проценти показват дела на оценяваните показатели, при които е отчетено подобрение, а не общата точност на прогнозите.

Допълнително доказателство за потенциала на технологията са резултатите от международното състезание AI Weather Quest на ECMWF през 2025 г. Система, използваща новия подход, се класира на първо място по всички оценявани метеорологични променливи и прогнозни периоди, изпреварвайки редица оперативни модели и решения на участващи изследователски екипи.

Как технологията може да помогне на земеделието и енергетиката?

По-надеждните прогнози за няколко седмици напред могат да имат практическо значение за редица отрасли.

Земеделие: Фермерите биха могли да планират по-добре сеитбата, напояването, торенето и прибирането на реколтата, ако разполагат с по-надеждни оценки за вероятността от суша или прекомерни валежи.

Енергетика: По-доброто прогнозиране на температурните отклонения би могло да помогне на енергийните оператори да планират търсенето и предлагането на електроенергия, както и необходимите резерви при потенциално неблагоприятни условия.

Управление при бедствия: По-ранното идентифициране на повишен риск от екстремни метеорологични явления би дало на институциите повече време за подготовка при наводнения, студени вълни и други опасни събития.

Изследователите посочват, че подобрените прогнози могат да бъдат особено ценни за региони с ограничени ресурси за метеорологично наблюдение и ранно предупреждение.

Едно от предимствата на разработката е, че макар обучението на модела да е извършено с помощта на изчислителната инфраструктура на MIT, самият метод за корекция не изисква непременно суперкомпютър. Това би могло да улесни внедряването му от метеорологични служби и организации, които не разполагат с големи изчислителни мощности. Според информация на Microsoft Research технологията вече се проучва и за практически приложения, включително подобряване на прогнозите за мусоните в Кения — важен фактор за земеделското производство в страната.

Въпреки обещаващите резултати, новият метод не премахва фундаменталната несигурност при прогнозирането на атмосферата. Дори с подобрена система прогнозата за конкретен град след четири или шест седмици не може да се разглежда като сигурно предсказание. Основното предимство е по-добрата оценка на вероятностите за определени метеорологични условия и екстремни събития. Това може да помогне на институциите и бизнеса да вземат по-информирани решения, без да разчитат на абсолютна точност.

Изследването показва, че изкуственият интелект може да има важна роля не само в създаването на нови метеорологични модели, но и в усъвършенстването на вече съществуващите системи. Ако резултатите бъдат потвърдени и при по-широко оперативно приложение, технологията би могла да подобри подготовката за опасни метеорологични явления и да разшири практическите възможности на прогнозите за няколко седмици напред.

Снимка: Unsplash

Виж още: Когато се появи, Steam Deck 2 може да бъде класи над сегашното поколение портативни конзоли