Az időjárás előrejelzés nem egyszerű. A légköri és felszíni körülmények kisebb változásai nagyobb, előre nem látható eltéréseket idézhetnek elő az időjárásban. Ez különösen problémás az extrém időjárási jelenségek, például tornádók vagy hőhullámok idején, mivel az embereknek sokszor kevés idejük van felkészülni.
Az időjáráskutatók modelleket használnak, amelyek például a hőmérséklet vagy a légköri vízgőz enyhe változásával számolnak, ám elég nagy hibahatárral kénytelenek dolgozni. Ráadásul a modellek futtatása jelentős pénzügyi és számítási erőforrásokat igényel, illetve csak öt napra előre tudnak mérni.
A Washingtoni Egyetem légkörtudományi kutatói nemrég vizsgálják, hogy a mély tanulás kínálhat-e pontosabb módszert az optimális kezdeti feltételek meghatározására, és így a tíznapos előrejelzés lehet-e olyan biztos, mint az ötnapos.
A kutatáshoz a 2021. júniusi csendes-óceáni északnyugati hőhullám katasztrofális előrejelzéseit vették alapul. Ez volt az a hőhullám, amelyben vezetékek olvadtak meg, megsemmisült a termés és emberek százai vesztették életüket, mivel gyakorlatilag semmilyen figyelmeztetést nem kaptak.
Öt nap helyett 23
A Washingtoni Egyetem munkatársai két előrejelzési modellt használt: a Google DeepMind GraphCast modelljét és a Huawei Cloud Pangu-Weather modelljét. Azt akarták ellenőrizni, hogy a modellek hasonlóan működnek-e, és hogyan viszonyulnak a hőhullám tényleges eseményeihez. Összehasonlították a GraphCast és a Pangu-Weather modellek előrejelzésé és a tényleges meteorológiai adatokat.
Az előzetes eredmények szerint mindkét modell nagyfokú pontosságot mutat, és a Pangu-Weather kicsit jobban teljesít a hosszú távú hőmérséklet-előrejelzésben. A GraphCast modellben a tíznapos előrejelzés pontossága 94 százalékkal nőtt, míg a Pangu-Weather akár 23 nappal előre javította az előrejelzéseket.
A kutatók úgy vélik, hogy ideje a mesterséges intelligenciát szélesebb körben használni az előrejelzések pontosságának javításában, különösen a rendkívüli helyzetek valószínűsíthetősége esetén.
Kezelni kell az adatok heterogénitását és az energiafogyasztást
Szakértők egyetértenek, hogy a GraphCasthoz és a Pangu-Weatherhöz hasonló mélytanuló modellek alapvető változást hozhatnak a meteorológiában a pontosabb és gyorsabb előrejelzések terén. Ennek ellenére Továbbra is kihívás annak biztosítása, hogy ezek a modellek hatalmas adatkészlettel dolgoznak valós időben, ami a meglévő előrejelzési keretekbe nem mindig illeszthető be probléma nélkül. Szükség lenne az adattudósok és a meteorológusok szorosabb együttműködésére.
Ha globális időjárásra akarjuk használni a mélytanuló algoritmusokat, akkor átfogó stratégiára van szükség, mert jelenleg az országok adatai heterogénok, és a számítási intenzitás, illetve az energiafogyasztás kezelése is kérdéseket vet fel.
A Washingtoni Egyetem kutatói ezért energiahatékony algoritmusok és innovatív hardvermegoldások keresését javasolják. Továbbá a közös validációs keretrendszer kidolgozását is sürgetik, mert ez biztosíthatja, hogy a modellek a a különböző éghajlati régiókban és körülmények között ugyanúgy működhessenek.