Исследователи указали на ограничения ИИ-моделей для прогнозирования погоды

Метеорологи и климатологи начали использовать машинное обучение для прогнозирования погоды. Такие ИИ‑модели работают заметно быстрее традиционных систем и требуют меньше вычислительных ресурсов. Алгоритмы обучают на данных о состоянии атмосферы за разные периоды. После обучения система ищет похожие закономерности и на их основе пытается предсказать дальнейшие изменения.

Один из примеров, модель AIFS Европейского центра среднесрочных прогнозов погоды. Она рассчитывает прогноз примерно за три минуты. Для сравнения, традиционной модели IFS требуется около получаса. Разница заметна и в энергопотреблении: расход энергии отличается примерно в тысячу раз.

Но у такого подхода есть ограничения. Нейросеть опирается только на те данные, на которых ее обучили. Поэтому при редких или необычных явлениях точность прогноза падает. Исследования показывают, что подобные модели чаще недооценивают силу и масштаб экстремальных погодных событий.

Есть и другая проблема. Для климатических расчетов одного анализа исторических данных недостаточно. Ученым приходится оценивать сценарии, которых еще не было в истории наблюдений.