Článek
V novém článku uveřejněném v časopise Nature vědci popisují svůj přístup a ukazují, jak umožňuje předpovědi, které poprvé překonávají klimatologické průměry v období dvou až šesti týdnů.
Tradiční předpovědní modely založené na fyzikálních rovnicích a také moderní systémy založené na umělé inteligenci, které se učí předpovídat z historických dat, umějí spolehlivě předpovědět počasí maximálně na dva týdny dopředu. Na delší období už jsou předpovědi značně nespolehlivé.
MicroDuet, což je kombinace dvou modelů upravených PBC, dosáhla lepších výsledků, než jiné modely v předpovědích pro třetí a čtvrtý týden, zejména u teplot a srážek.
Výzkumníci ze společnosti Microsoft ve spolupráci s odborníky z Massachusetts Institute of Technology (MIT) a dalších výzkumných institucí vyvinuli metodu známou jako Probabilistic Bias Correction (PBC). Metoda by měla opravovat chyby ve stávajících předpovědních modelech, aby se zlepšily jejich výsledky. Zároveň se snaží zachovat užitečné informace z původního modelu. Nejde tedy o samostatný nový model.
Vědci zkoumali novou metodu na předpovědích Evropského centra pro střednědobou předpověď (ECMWF). Zlepšení oproti tradičním modelům bylo u srážek až 98 % a u teplot 92 %. Tato procenta představují podíl zlepšení u předpovídaných situací, nikoliv procentuální úspěšnost předpovědí.
PBC také zdvojnásobila přesnost nového systému předpovědí ECMWF založeného na umělé inteligenci. A nový přístup prokázal i statisticky významné zlepšení ve schopnosti předpovídat extrémní počasí.
Nižší výpočetní nároky
Velkou výhodou jsou nižší výpočetní nároky. Zatímco modelování založené na fyzice je náročný projekt běžící na superpočítačích a generativní umělá inteligence závisí na výkonných grafických procesorech (GPU), tento nový nástroj podle autorů může fungovat na standardních centrálních procesorových jednotkách (CPU).
Autoři navíc software vydali jako open source. To umožňuje výzkumným institucím a meteorologickým službám, které nedisponují rozsáhlými výpočetními zdroji, tuto metodu testovat a přizpůsobovat.
„Tento přístup nejenže přináší lepší výsledky u předpovědí průměrných hodnot pro vzdálenější časová období, což je samo o sobě velmi užitečné pro zemědělce a energetiky, kteří se snaží sladit nabídku s poptávkou, ale také zlepšuje předpovědi extrémních povětrnostních jevů, ať už jde o povodně, vlny chladu nebo něco jiného,“ říká spoluautor a výzkumný pracovník MIT Judah Cohen.
„Je opravdu důležité předpovídat obojí, ale pro společnost mohou mít největší význam právě extrémní jevy,“ dodal.
Odborníci však upozorňují, že úspěšný výzkum automaticky nezaručuje bezproblémovou integraci do každodenních meteorologických operací. Atmosféra zůstává chaotickým systémem a nepřesnost předpovědi s narůstajícím časovým horizontem se pochopitelně zvyšuje. Nová metoda nepomůže vytvářet diametrálně lepší dlouhodobé předpovědi, ale pomůže lépe využívat informace, které již meteorologické modely poskytují.
