Прогнозы погоды стали чрезвычайно надежными на короткие горизонты: сегодняшние модели имеют высокую точность примерно до двух недель, а долгосрочные климатические прогнозы также постоянно улучшаются. Однако между этими двумя временными масштабами находится упрямое слепое пятно. Прогнозы на период от двух до шести недель, известные как субсезонное прогнозирование, остаются ненадежными, хотя именно этот диапазон имеет значение для принятия решения о том, когда сажать сельскохозяйственные культуры, как распределять воду и энергию и как готовиться к лесным пожарам.
Microsoft Research и сеть внешних партнеров говорят, что нашли способ сократить этот разрыв, не создавая еще одну модель прогнозирования, а обучая программное обеспечение исправлять предсказуемые ошибки уже существующих моделей. Подход, получивший название «Вероятностная коррекция смещения» (PBC), подробно описан в статье, опубликованной в научном журнале Nature, и описан в блоге Microsoft, опубликованном на этой неделе. Это одна из наиболее практических работ в волне прикладных исследований ИИ, включенных в число [последних разработок ИИ] (https://aibuzzwire.news), поскольку она модернизирует системы, на которые метеорологи уже полагаются, а не требует от них переключиться на что-то новое.
Почему период от двух до шести недель не поддается прогнозированию
Модели, основанные на физике, моделируют атмосферу и океаны с помощью научных уравнений, а новые модели искусственного интеллекта обучаются на обширных архивах данных наблюдений за погодой. По данным Microsoft, обе семьи работают хорошо примерно десять дней. За пределами этого момента небольшие первоначальные ошибки накапливаются, а сложные взаимодействия между атмосферой, океанами и поверхностью суши подавляют оба подхода, поэтому прогнозы на срок от двух до шести недель уже давно отстают от остальных прогнозов.
Вместо того чтобы вступать в насыщенное поле конкурирующих моделей, команда под руководством Microsoft сосредоточилась на другой цели: систематических, повторяющихся ошибках, которые модели допускают в этом диапазоне. «Наш новый конвейер (PBC) принимает вашу любимую модель в качестве входных данных и изучает, каким образом она имеет тенденцию совершать ошибки. Затем он исправляет эти ошибки, давая лучший прогноз результатов для субсезонного диапазона», — пояснила компания в своем блоге.
Легкий слой поверх существующих моделей
Технически PBC — это легкая система машинного обучения, которая изучает архив исторических прогнозов любой конкретной модели, чтобы узнать, где и как она систематически смещена. Как только эти закономерности изучены, система корректирует вероятностные выходные данные модели для компенсации. В оценках, описанных в документе Nature, Microsoft сообщает, что PBC улучшила производительность ведущей в мире субсезонной модели с операционным смещением, управляемой Европейским центром среднесрочных прогнозов погоды (ECMWF).
Результаты подтвердились в реальных соревнованиях, а не только в ретроспективных тестах. В августе 2025 года ECMWF запустил AI Weather Quest — соревнование в реальном времени, призванное улучшить вероятностное субсезонное прогнозирование. Команда под названием MicroEnsemble, состоящая из исследователей Microsoft и внешних сотрудников, получила высшую награду за работу под названием MicroDuet, в которой PBC был применен к ведущей в отрасли динамической модели ECMWF.
«AI Weather Quest предоставляет уникальную платформу для сравнительного анализа субсезонных прогнозов в режиме реального времени», — сказал доктор Джошуа Талиб, ученый по субсезонным прогнозам в ECMWF. «Вклад команды MicroEnsemble показал, как машинное обучение может повысить эффективность традиционных систем динамического прогнозирования посредством постобработки».
От эталонного уровня к реальным пилотам в Восточной Африке
Техника уже выходит за рамки эталонных стандартов. В Кении синоптики готовятся к тестированию PBC, поскольку в стране начинается один из двух сезонов дождей. В этих усилиях участвуют Управление метеорологической службы Кении (KMSA) и ученые из Центра климатических опасностей Калифорнийского университета в Санта-Барбаре, а также консультации Женевьевы Фласполер, которая руководит Rhiza Research, некоммерческой организацией, занимающейся улучшением прогнозирования погоды с помощью искусственного интеллекта.
Фласполер утверждает, что ценность прогноза зависит от того, успеете ли вы вовремя действовать в соответствии с ним. «Хороший прогноз погоды, предоставленный в нужное время и по правильному каналу связи, может существенно повлиять на результаты сельского хозяйства», — сказала она, отметив, что Восточная Африка колеблется между самыми засушливыми годами в истории и самыми влажными годами за всю историю. В регионе, где фермам в основном не хватает орошения, а решения по посеву, удобрениям и покупке семян зависят от перспектив, более умелый субсезонный прогноз не является абстрактным улучшением.
«Поскольку мы находимся в самом разгаре самого теплого Эль-Ниньо за всю историю наблюдений, правительства и климатологическое сообщество испытывают большие опасения по поводу того, как это проявится», — сказал Фласполер. «Существует огромная потребность в простых, надежно работающих методах прогнозирования».
Аргумент эффективности в эпоху больших моделей
Что делает PBC примечательным в исследованиях ИИ, так это его экономика. В то время как большая часть полевых исследований стремится к обучению все более крупных сквозных моделей прогнозирования, PBC представляет собой сравнительно небольшую систему, которая заимствует большую часть своих навыков из операционных моделей, которые она корректирует. Это удешевляет эксплуатацию и облегчает внедрение метеорологическим агентствам, поскольку они могут сохранить существующую инфраструктуру и просто добавить корректирующий слой.
Это также отражает более широкую закономерность в прикладном машинном обучении: постобработка и калибровка часто дают результаты, которые в противном случае потребовали бы полной переделки модели. Для метеорологических служб, решающих, на что потратить ограниченные бюджеты, вероятно, привлечет внимание метод, который явно улучшает самый сложный диапазон прогнозов — проверенный как в Nature, так и в реальных соревнованиях ECMWF.
Что будет дальше с субсезонным ИИ
Сообщение в блоге Microsoft не содержит анонса действующего продукта, и компания не сообщила, будет ли PBC интегрирован в коммерческие предложения по прогнозированию. Ближайшая проверка заключается в том, начнут ли национальные метеорологические службы применять слои коррекции систематических ошибок, такие как PBC, для своих субсезонных прогнозов, и хорошо ли этот подход сочетается с моделями прогнозирования ИИ, которые сейчас вступают в оперативное использование.
Если это произойдет, то окно продолжительностью от двух до шести недель — период, в течение которого фермерам, операторам сетей и специалистам по планированию стихийных бедствий исторически приходилось меньше всего работать — может, наконец, начать закрываться. Для отрасли, которая десятилетиями гонялась за незначительным приростом навыков, позволить небольшой системе машинного обучения исправить систематические ошибки гигантских физических моделей — прагматичный вид прогресса.
---
Будьте впереди ИИПолучайте последние новости, анализ и открытия в области искусственного интеллекта — все в одном месте.
Подробнее новости AI →
