Прогнозування погоди стало надзвичайно надійним на короткі горизонти: сьогоднішні моделі мають високу точність приблизно до двох тижнів, і довгострокові кліматичні прогнози також постійно покращуються. Однак між цими двома часовими масштабами є вперта сліпа пляма. Прогнози у вікні від двох до шести тижнів — відомі як підсезонні прогнози — залишаються ненадійними, хоча саме цей діапазон має значення для прийняття рішення про те, коли садити культури, як розподіляти воду та енергію та як готуватися до лісових пожеж.
Microsoft Research і мережа зовнішніх співробітників кажуть, що вони знайшли спосіб скоротити цей розрив, не будуючи ще одну модель прогнозування, а навчаючи програмне забезпечення виправляти передбачувані помилки моделей, які вже існують. Підхід під назвою Probabilistic Bias Correction (PBC) детально описаний у статті, опублікованій у науковому журналі Nature, і описаний у дописі в блозі Microsoft, опублікованому цього тижня. Це один із тихо практичних елементів у хвилі прикладних досліджень штучного інтелекту, охоплених [останніми розробками штучного інтелекту] (https://aibuzzwire.news), оскільки він оновлює системи, на які вже покладаються метеорологи, а не вимагає від них переходу на щось нове.
Чому вікно від двох до шести тижнів не піддається прогнозуванню
Фізичні моделі симулюють атмосферу й океани за допомогою наукових рівнянь, тоді як новіші моделі штучного інтелекту навчаються на величезних архівах спостережених погодних даних. За даними Microsoft, обидві родини добре працюють протягом приблизно десяти днів. Крім того, невеликі початкові помилки збільшуються, а складна взаємодія між атмосферою, океанами та поверхнею суші переважає обидва підходи, тому прогнози на два-шість тижнів довго відставали від решти прогнозів.
Замість того, щоб виходити на переповнене поле конкуруючих моделей, команда під керівництвом Microsoft зосередилася на іншій меті: систематичних помилках, які повторюються моделями в цьому діапазоні. «Наш новий конвеєр (PBC) приймає вашу улюблену модель як вхідні дані та вивчає, якими способами вона має тенденцію робити помилки. Потім вона виправляє ці помилки, даючи кращий прогноз виробництва для підсезонного діапазону», — пояснила компанія у своєму блозі.
Легкий шар поверх існуючих моделей
Технічно PBC — це легка система машинного навчання, яка вивчає архів історичних прогнозів будь-якої моделі, щоб дізнатися, де і як вони систематично зміщені. Після вивчення цих шаблонів система налаштовує ймовірнісні результати моделі для компенсації. В оцінках, описаних у статті Nature, Microsoft повідомляє, що PBC покращив продуктивність провідної у світі підсезонної моделі з операційними ухиленнями, якою керує Європейський центр середньострокових прогнозів погоди (ECMWF).
Результати витримали в живих змаганнях, а не тільки в ретроспективних тестах. ECMWF запустив AI Weather Quest у серпні 2025 року, змагання в реальному часі, призначене для вдосконалення імовірнісного підсезонного прогнозування. Команда під назвою MicroEnsemble, що складається з дослідників Microsoft і зовнішніх співробітників, отримала найвищі нагороди за роботу під назвою MicroDuet, яка застосувала PBC до провідної в галузі динамічної моделі ECMWF.
«AI Weather Quest надає унікальну платформу порівняльного аналізу в режимі реального часу для підсезонних прогнозів», — сказав д-р Джошуа Таліб, науковець із підсезонного прогнозування в ECMWF. «Внески від Team MicroEnsemble підкреслили, як машинне навчання може покращити навички традиційних динамічних систем прогнозування за допомогою постобробки».
Від бенчмарка до реальних пілотів у Східній Африці
Техніка вже виходить за межі стандартів. У Кенії синоптики готуються перевірити PBC, оскільки в країні починається один із двох сезонів дощів. До цих зусиль залучаються Управління метеорологічної служби Кенії (KMSA) і вчені з Центру кліматичних небезпек Каліфорнійського університету в Санта-Барбарі за порадами Женев’єви Фласполер, яка керує некомерційною організацією Rhiza Research, яка зосереджена на вдосконаленні прогнозування погоди за допомогою ШІ.
Фласполер стверджує, що цінність прогнозу залежить від того, чи вчасно вдасться його виконати. «Хороший прогноз погоди, наданий у потрібний час і по правильному каналу зв’язку, може значною мірою вплинути на результати сільського господарства», — сказала вона, зазначивши, що Східна Африка коливається між найпосушливішими роками за всю історію спостережень і найдощішими. У регіоні, де фермерам переважно не вистачає зрошення та посіву, внесення добрив і рішення про закупівлю насіння – все залежить від перспектив, більш вмілий підсезонний прогноз не є абстрактним покращенням.
«Оскільки ми перебуваємо в розпалі найтеплішого Ель-Ніньо за всю історію спостережень, уряди та кліматологи бояться, як це проявиться», — сказав Фласполер. «Існує величезна потреба в простих методах прогнозування, які працюють надійно».
Аргумент ефективності в епоху великих моделей
Що робить PBC помітним у дослідженнях ШІ, так це його економічність. У той час як більшість польових працівників змагаються за навчання все більших наскрізних моделей прогнозування, PBC є порівняно невеликою системою, яка запозичує більшість своїх навичок з операційних моделей, які вона коригує. Це робить його дешевшим у експлуатації та легшим для метеорологічних агентств, оскільки вони можуть зберегти свою існуючу інфраструктуру та просто додати коригуючий рівень.
Це також відображає ширшу модель прикладного машинного навчання: постобробка та калібрування часто дають переваги, які в іншому випадку вимагали б повної переробки моделі. Для метеорологічних служб, які зважують, куди витратити обмежені бюджети, метод, який демонструє покращення найскладнішого діапазону прогнозу — перевірений як у Nature, так і в живому конкурсі ECMWF — ймовірно, приверне увагу.
Що буде далі для субсезонного ШІ
Повідомлення в блозі Microsoft не анонсує робочий продукт, і компанія не повідомляє, чи буде PBC інтегровано в комерційні пропозиції прогнозування. Найближчим часом необхідно перевірити, чи національні метеорологічні служби почнуть застосовувати рівні корекції зсуву, такі як PBC, для своїх підсезонних прогнозів, і чи цей підхід добре поєднується з моделями прогнозування штучного інтелекту, які зараз входять в експлуатацію.
Якщо це станеться, вікно від двох до шести тижнів — ділянка, з якою фермерам, операторам електромереж і спеціалістам із планування надзвичайних ситуацій історично доводилося найменше працювати — може нарешті почати закриватися. Для галузі, яка витратила десятиліття на погоню за незначними досягненнями в навичках, дозволити маленькій системі машинного навчання вичищати систематичні помилки гігантських фізичних моделей є прагматичним прогресом.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →
