Почему точное прогнозирование погоды по-прежнему остается сложной задачей: решающая роль данных в реальном времени.

Когда вы открываете приложение для прогнозирования погоды, процесс кажется простым: вы выбираете местоположение, устанавливаете время, а затем читаете результат.

Но за этим экраном скрывается одна из самых сложных проблем прогнозирования, стоящих перед наукой.

Атмосфера представляет собой трехмерную систему, которая постоянно меняется.

Прежде чем любая модель сможет предсказать, что произойдет дальше, она должна сначала ответить на удивительно сложный вопрос: что именно происходит с атмосферой в данный момент?

Мы никогда не видим атмосферу целиком.

Ни один прибор сам по себе не может дать полной картины погоды. Метеорологические радары обнаруживают частицы осадков. Спутники отслеживают облачность, влажность и температуру из космоса. Наземные станции измеряют условия в отдельных точках. Метеорологические зонды и самолеты предоставляют информацию с различных высот.

Каждый из этих источников имеет свою точность, частоту обновления, пробелы в охвате и погрешности измерений. Поэтому построение текущей атмосферной картины сродни реконструкции транспортного потока целого города с помощью камер, направленных в разные стороны, обновляющих данные в разное время и оставляющих многие улицы совершенно невидимыми.

Метеорологи называют процесс объединения наблюдений с предыдущими прогнозами «ассимиляцией данных». В результате этого процесса получается оценка текущих погодных условий, известная как анализ, которая служит отправной точкой для следующего прогноза.

Как поясняет Европейский центр среднесрочных прогнозов погоды (ECMWF), качество прогноза в значительной степени зависит от точности этого анализа. Даже самая лучшая модель столкнется с трудностями, если ее первоначальная картина будет неполной, неточной или устаревшей.

Почему приложения для прогноза погоды могут вводить в заблуждение?

Один из распространенных методов краткосрочного прогнозирования — оптический поток. Этот метод анализирует последовательные радиолокационные изображения, оценивает движение осадков, а затем экстраполирует это движение в будущее. Этот метод может хорошо работать, когда полоса дождя движется устойчиво. Однако проблема в том, что штормы — это не просто статичные фигуры, скользящие по карте; они формируются, усиливаются, ослабевают, разделяются и сливаются. Новая конвекционная ячейка может появиться в районе, где 20 минут назад дождя не было.

Представьте себе приближающийся к горе шторм. Простая экстраполяция может предсказать, что он продолжит двигаться с той же скоростью. Но в реальности рельеф местности может изменить воздушные потоки, замедлить движение системы и способствовать сильным дождям или граду. Таким образом, задача состоит не только в прогнозировании направления движения текущих осадков; эффективная модель должна также предсказывать, как изменится сама погодная система.

Ещё одна проблема заключается в том, что крупномасштабные модели хорошо описывают погодные фронты, системы давления и атмосферную циркуляцию в разных странах и на разных континентах. Но многие события, влияющие на людей и бизнес, происходят в гораздо меньших масштабах. Например, гроза может затронуть одну часть города, в то время как другая часть останется практически сухой.

Облачный фронт может резко снизить выработку одной солнечной электростанции, в то время как другая, расположенная в 20 километрах от неё, может её превзойти. Ветровые условия также могут значительно различаться на уровне земли, на крышах зданий и на высоте, на которой работает дрон. Эти незначительные изменения трудно предсказать.

Погода чрезвычайно чувствительна к своему начальному состоянию. Даже небольшие неопределенности в температуре, влажности или ветре могут усугубиться по мере того, как прогноз распространяется на будущее. В этом и заключается истинный смысл «эффекта бабочки». Это не означает, что один неисправный датчик автоматически портит глобальный прогноз, а скорее, что мы никогда не сможем идеально измерить атмосферу, и что неопределенность в ее начальном состоянии со временем возрастает.

По этой причине современные системы прогнозирования все чаще создают «ансамбли»: множество возможных прогнозов, а не один, предположительно, достоверный ответ. Для принятия многих решений знание о 30% вероятности сильного шторма оказывается полезнее, чем получение уверенного прогноза, который впоследствии может оказаться неверным.

Важность критически важного момента

Задержка — один из наименее обсуждаемых источников ошибок прогнозирования. Представьте себе модель, которая дает отличный прогноз, основанный на погодных условиях, измеренных за два часа до этого. Если гроза разовьется всего за 20 минут до этого, этот прогноз может стать практически бесполезным, независимо от того, насколько сложна модель.

Всемирная метеорологическая организация определяет «краткосрочное прогнозирование» как подробный локальный прогноз, охватывающий период от настоящего времени до следующих шести часов. Однако для реальных задач краткосрочное прогнозирование выходит за рамки простого прогнозирования на горизонте. Оно требует непрерывного рабочего процесса, который собирает новые данные наблюдений, проверяет их качество, синхронизирует их, затем запускает модель и выдает обновленный результат в течение нескольких минут.

В то же время, прогнозирование погоды в режиме реального времени не означает буквального отсутствия задержки. Скорее, это означает, что система постоянно отслеживает состояние атмосферы и обновляет данные достаточно быстро, чтобы влиять на принимаемые решения.

Для некоторых отраслей это имеет огромное значение. Потребитель, решающий, брать ли с собой зонт, может смириться с неточным прогнозом времени доставки. Но многие операционные системы этого не допускают. Дронам-доставщикам необходимо знать, не помешают ли сильный дождь, гололедица или опасный ветер их полету до того, как они достигнут нужного района. Аэропорту может потребоваться скорректировать работу взлетно-посадочной полосы в связи с развитием грозы поблизости.

Операторам солнечных электростанций необходимо предвидеть быстро движущиеся облачные фронты, прежде чем производство электроэнергии внезапно сократится. Логистические и транспортные платформы могут перенаправлять транспортные средства до того, как наводнения или сильные дожди нарушат работу дорожной сети.

Тот же принцип применим к активному отдыху на природе, службам экстренной помощи, сельскому хозяйству и торговле энергоносителями. Этим пользователям нужна не просто «погода на завтра». Им необходимо знать, что меняется, где это меняется и есть ли еще время для принятия мер.

Искусственный интеллект ускоряет прогнозирование погоды, но одной скорости недостаточно.

Модели прогнозирования погоды на основе искусственного интеллекта могут генерировать прогнозы быстрее и с меньшими вычислительными затратами, чем многие традиционные численные модели. Некоторые из них уже превзошли системы, основанные на физических принципах, по определенным переменным и временным горизонтам прогнозирования. Однако ИИ не устраняет проблему мониторинга и наблюдения.

Большинство глобальных моделей прогнозирования на основе ИИ по-прежнему начинаются с анализа атмосферы, полученного с помощью традиционной инфраструктуры численного прогнозирования погоды. Если этот анализ устарел хотя бы на несколько часов, скорость вывода не позволит обновить исходное состояние.

Модели ИИ также могут недооценивать серьезность редких событий, поскольку экстремальные примеры недостаточно представлены в их обучающих данных, а также потому, что некоторые методы обучения отдают предпочтение более плавным, статистически более вероятным результатам. Недавние исследования показали, что ведущие модели ИИ могут допускать большие ошибки, чем системы, основанные на физических принципах, при прогнозировании стандартных явлений, связанных с жарой, холодом и ветром.

По этой причине будущее вряд ли будет простым соревнованием между искусственным интеллектом и физикой. ECMWF уже использует собственную систему оперативного прогнозирования на основе ИИ наряду со своей традиционной моделью, основанной на физике.

Наиболее совершенная архитектура будет сочетать в себе глобальные модели, высокочастотные локальные наблюдения, прогнозы в реальном времени на основе ИИ (краткосрочное прогнозирование), физические ограничения и вероятностные оценки неопределенности.