Prognozowanie pogody stało się niezwykle niezawodne w krótkim horyzoncie czasowym: dzisiejsze modele są bardzo dokładne do około dwóch tygodni, a długoterminowe prognozy klimatyczne również stale się poprawiają. Jednakże pomiędzy tymi dwiema skalami czasowymi znajduje się uparta martwa plamka. Prognozy na okres od dwóch do sześciu tygodni – zwane prognozami subsezonowymi – pozostają niewiarygodne, mimo że właśnie ten zakres ma znaczenie przy podejmowaniu decyzji, kiedy sadzić rośliny, jak przydzielać wodę i energię oraz jak przygotować się na pożary.
Dział badawczy firmy Microsoft i sieć współpracowników zewnętrznych twierdzą, że znalazły sposób na zmniejszenie tej luki nie poprzez budowanie kolejnego modelu prognostycznego, ale poprzez uczenie oprogramowania korygowania przewidywalnych błędów już istniejących modeli. Podejście to, zwane Probabilistic Bias Correction (PBC), zostało szczegółowo opisane w artykule opublikowanym w czasopiśmie naukowym Nature i opisane w poście na blogu Microsoft opublikowanym w tym tygodniu. Jest to jeden z spokojniejszych, praktycznych wpisów na fali badań stosowanych nad sztuczną inteligencją, zaliczanych do najnowszych osiągnięć w zakresie sztucznej inteligencji, ponieważ unowocześnia systemy, na których już polegają meteorolodzy, zamiast wymagać od nich przejścia na coś nowego.
Dlaczego okno trwające od dwóch do sześciu tygodni nie pozwala na prognozowanie
Modele oparte na fizyce symulują atmosferę i oceany za pomocą równań naukowych, podczas gdy nowsze modele sztucznej inteligencji trenują na rozległych archiwach zaobserwowanych danych pogodowych. Według Microsoftu obie rodziny radzą sobie dobrze przez około dziesięć dni. Powyżej tego punktu narastają drobne błędy początkowe, a złożone interakcje między atmosferą, oceanami i powierzchnią lądu przytłaczają oba podejścia, dlatego też prognozy trwające od dwóch do sześciu tygodni długo opóźniają się w stosunku do reszty prognoz.
Zamiast wkraczać na zatłoczone pole konkurencyjnych modeli, zespół kierowany przez firmę Microsoft skupił się na innym celu: systematycznych, powtarzalnych błędach popełnianych przez modele w tym zakresie. „Nasz nowy rurociąg (PBC) wykorzystuje Twój ulubiony model jako dane wejściowe i uczy się, w jaki sposób może popełniać błędy. Następnie koryguje te błędy, tworząc lepszą prognozę produkcji dla zakresu podsezonowego” – wyjaśniła firma w swoim poście na blogu.
Lekka warstwa na istniejących modelach
Z technicznego punktu widzenia PBC to lekki system uczenia maszynowego, który bada archiwum prognoz historycznych dowolnego modelu, aby dowiedzieć się, gdzie i w jaki sposób jest on systematycznie obciążony. Po nauczeniu się tych wzorców system dostosowuje probabilistyczny wynik modelu, aby to skompensować. W ocenach opisanych w artykule „Nature” Microsoft donosi, że PBC poprawiło wydajność wiodącego na świecie, pozbawionego błędów operacyjnych modelu podsezonowego, obsługiwanego przez Europejskie Centrum Prognoz Średnioterminowych (ECMWF).
Wyniki utrzymały się w rywalizacji na żywo, a nie tylko w testach retrospektywnych. W sierpniu 2025 r. ECMWF uruchomiło AI Weather Quest, konkurs w czasie rzeczywistym, mający na celu udoskonalenie probabilistycznych prognoz subsezonowych. Zespół o nazwie MicroEnsemble, złożony z badaczy firmy Microsoft i współpracowników zewnętrznych, zdobył najwyższe wyróżnienia dzięki wpisowi zatytułowanemu MicroDuet, w którym zastosowano PBC w wiodącym w branży modelu dynamicznym ECMWF.
„AI Weather Quest zapewnia unikalną platformę do porównywania prognoz subsezonowych w czasie rzeczywistym” – powiedział dr Joshua Talib, naukowiec zajmujący się prognozami subsezonowymi w ECMWF. „Wkład zespołu Team MicroEnsemble uwypuklił, w jaki sposób uczenie maszynowe może zwiększyć umiejętności tradycyjnych systemów prognozowania dynamicznego poprzez przetwarzanie końcowe”.
Od wzorca do pilotów w świecie rzeczywistym w Afryce Wschodniej
Technika ta już wykracza poza standardy. W Kenii prognostycy przygotowują się do przetestowania PBC w związku z rozpoczynającą się jedną z dwóch pór deszczowych w kraju. W działaniach zaangażowanych jest Kenijski Urząd Meteorologiczny (KMSA) i naukowcy z Centrum Zagrożeń Klimatycznych na Uniwersytecie Kalifornijskim w Santa Barbara, a także za radą Genevieve Flaspohler, która prowadzi Rhiza Research – organizację non-profit skupiającą się na ulepszaniu prognoz pogody w oparciu o sztuczną inteligencję.
Flaspohler argumentuje, że wartość prognozy zależy od tego, czy dotrze ona na czas i będzie mogła zastosować się do niej. „Dobra prognoza pogody, dostarczona we właściwym czasie i za pośrednictwem odpowiedniego kanału komunikacji, może w dużym stopniu różnicować wyniki w rolnictwie” – stwierdziła, zauważając, że Afryka Wschodnia oscyluje między najsuchszymi w historii a najbardziej mokrymi latami w historii. W regionie, w którym w gospodarstwach w dużej mierze brakuje nawadniania, a decyzje dotyczące sadzenia, nawożenia i zakupu nasion zależą od perspektyw, bardziej umiejętna prognoza pozasezonowa nie jest abstrakcyjną poprawą.
„Ponieważ mamy do czynienia z najcieplejszym w historii El Niño, rządy i społeczność naukowa o klimacie obawiają się, jak to się będzie objawiać” – powiedział Flaspohler. „Istnieje ogromne zapotrzebowanie na proste i niezawodne metody prognozowania”.
Argument dotyczący wydajności w epoce większych modeli
Tym, co wyróżnia PBC w badaniach nad sztuczną inteligencją, jest jej ekonomia. Podczas gdy większość dziedzin dąży do szkolenia coraz większych, kompleksowych modeli prognostycznych, PBC jest stosunkowo małym systemem, który większość swoich umiejętności czerpie z korygowanych przez siebie modeli operacyjnych. Dzięki temu prowadzenie jest tańsze i łatwiejsze do przyjęcia dla agencji meteorologicznych, ponieważ mogą one zachować istniejącą infrastrukturę i po prostu dodać warstwę korygującą.
Odzwierciedla to również szerszy wzorzec stosowanego uczenia maszynowego: przetwarzanie końcowe i kalibracja często zapewniają korzyści, które w przeciwnym razie wymagałyby pełnej przeróbki modelu. W przypadku usług pogodowych decydujących o tym, na co wydać ograniczony budżet, uwagę prawdopodobnie przyciągnie metoda, która w widoczny sposób poprawia najtrudniejszy zakres prognozy – sprawdzona zarówno w Nature, jak i w konkursie ECMWF na żywo.
Co dalej z subsezonową sztuczną inteligencją
W poście na blogu Microsoftu nie zawarto zapowiedzi działającego produktu, a firma nie podała, czy PBC zostanie włączone do komercyjnych ofert prognozowania. Test krótkoterminowy polega na tym, czy krajowe służby pogodowe zaczną przyjmować warstwy korekcji odchyleń, takie jak PBC, do swoich prognoz subsezonowych i czy podejście to dobrze komponuje się z modelami prognozowania AI, które obecnie wchodzą do użytku operacyjnego.
Jeśli tak się stanie, okres od dwóch do sześciu tygodni – czyli okres, w którym rolnicy, operatorzy sieci i planiści na wypadek katastrof mieli w przeszłości najmniej pracy – może w końcu zacząć się zamykać. Dla dziedziny, która przez dziesięciolecia goniła za marginalnym wzrostem umiejętności, pozwolenie małemu systemowi uczenia maszynowego na usunięcie błędów systematycznych gigantycznych modeli fizycznych jest pragmatycznym postępem.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
