Исследователи Массачусетского технологического института (MIT) и их коллеги разработали метод, который повышает точность прогнозов погоды на срок от двух до шести недель. В основе подхода лежит модель машинного обучения, исправляющая ошибки уже существующих систем прогнозирования. При проверке на одной из наиболее авторитетных моделей точность предсказаний выросла вдвое, а разработка заняла первое место в международном конкурсе.
Результаты представлены в статье, опубликованной в журнале Nature. Авторы показали, что их система впервые позволила получать прогнозы на этот период, превосходящие средние климатические значения. Метод также заметно улучшил предсказание экстремальных явлений, включая наводнения и периоды сильного холода.
Актуальность более дальних прогнозов стала особенно очевидной после энергетического кризиса в Техасе в феврале 2021 года. Три мощных зимних шторма вызвали крупнейший в истории штата сбой энергетической инфраструктуры, из-за которого возникли перебои с продовольствием, водой, отоплением и электричеством, а погибли как минимум 246 человек. По словам соавтора работы, научного сотрудника MIT Джуды Коэна, дополнительные две недели могли бы дать энергетическим службам время, например, для доставки большего количества грузов природного газа в пострадавшие районы.
Период от двух до шести недель метеорологи называют «пустыней предсказуемости». Краткосрочные модели опираются на начальные параметры атмосферы, а долгосрочные учитывают медленно меняющиеся факторы, однако промежуточный диапазон не использует в полной мере ни те, ни другие данные. Теоретический предел в две недели связывают с идеями профессора MIT Эдварда Лоренца о хаотичности атмосферы: небольшие различия в исходных условиях со временем приводят к совершенно разным результатам.
Новая система работает как дополнительный слой обработки. Она анализирует исторические ошибки прогнозирующей модели, оценивает их и корректирует последующие расчёты, причём по мере накопления новых данных адаптирует исправления. Для обучения использовался суперкомпьютерный кластер MIT Engaging, но для работы готовой модели суперкомпьютер не требуется. В испытаниях Европейского центра среднесрочных прогнозов погоды команда представила три варианта системы, и победившая комбинация объединила модель центра с другой моделью и последующей коррекцией ошибок.
Авторы проверили метод на наземных прогнозах в большинстве регионов мира и применили его к нескольким моделям, включая системы, уступающие по качеству разработке Европейского центра. Во всех случаях дополнительный слой улучшал результаты, а сама технология распространяется с открытым исходным кодом и требует небольших затрат. Метеорологическая служба Кении уже обратилась к исследователям по поводу использования модели для прогнозирования ежегодного сезона муссонов и повышения урожайности, а потенциальными сферами применения также названы сельское хозяйство, энергетика и управление чрезвычайными ситуациями.