Ученые призвали не полагаться на ИИ при прогнозе экстремальной погоды
Ведущие ИИ-модели достаточно хорошо предсказывают траектории и в определенной степени интенсивность обычных тропических циклонов, но их точность падает, если шторм не имеет аналогов в обучающих данных.
Источник: Rupak De Chowdhuri/NurPhoto via Getty. Метеоролог из Калькутты, Индия, освещает приближающийся циклон Дана в октябре 2024 года.
МОСКВА, 17 марта. /Новости науки/. Исследователи из Оксфордского университета призвали не доверять без детальной проверки прогнозам развития экстремальных явлений, которые готовят нейросети для метеослужб, пишет Nature.
«Ученые пока не знают, насколько надежны прогнозы на основе ИИ, когда речь идет о редких экстремальных погодных явлениях», — отмечают авторы статьи Шрути Нат и Тим Палмер.
Как указывают исследователи, современные физические модели прогноза погоды стали одной из главных научных историй успеха XX века. Именно переход к численным моделям в 1970-х годах заметно повысил точность предупреждений и позволил сократить число жертв при тропических циклонах.
Сейчас эту систему быстро меняют ИИ-модели, которые не решают уравнения атмосферы шаг за шагом, а напрямую сопоставляют текущее состояние погоды с вероятным будущим на основе обучения на исторических данных. Благодаря этому 14-дневный глобальный прогноз можно получить примерно на два часа раньше, чем при использовании физической модели, что особенно важно при организации эвакуации.
Однако, по мнению авторов, у такого преимущества есть и слабое место. Физические модели должны сохранять применимость и в условиях меняющегося климата, тогда как ИИ-системы обучаются на прошлых наблюдениях и могут хуже справляться с событиями, которые сильно отличаются от всего, что встречалось в обучающей выборке.
Проблема становится особенно актуальной потому, что некоторые структуры, включая Европейский центр среднесрочных прогнозов погоды, уже начали включать ИИ в свои операционные системы. При этом, как подчеркивают исследователи, единого стандарта, который позволял бы объективно сравнивать ИИ-прогнозы с традиционными моделями именно на экстремальных явлениях, пока нет.
Авторы отмечают, что ведущие ИИ-модели достаточно хорошо предсказывают траектории и в определенной степени интенсивность обычных тропических циклонов, но их точность падает, если шторм не имеет аналогов в обучающих данных. Кроме того, такие системы склонны недооценивать силу и частоту рекордных волн жары, холода и сильного ветра по сравнению с одной из ведущих физических моделей.
В связи с этим ученые предложили специальный протокол проверки, получивший название AIRWIE. Он предполагает, что из архивных метеорологических наборов данных заранее исключат набор «знаковых» экстремальных событий — например, ураган Сэнди или Великий шторм 1987 года в южной Англии, — а затем ИИ-модели будут заново обучать без этих эпизодов и проверять, насколько хорошо они смогут воспроизвести такие случаи задним числом.
По замыслу авторов, оценка должна будет учитывать, насколько точно модель воспроизводит ключевые физические характеристики экстремального события — количество осадков, силу ветра, траекторию шторма и другие параметры — и сопоставлять эти результаты с прогнозами физических моделей.
Это позволит гораздо строже и объективнее оценивать пригодность ИИ для прогноза опасной погоды.
Исследователи уже представили этот подход Всемирной метеорологической организации на семинаре в октябре 2025 года. Они считают, что до широкого внедрения ИИ в государственные прогнозные службы метеорологическое сообщество должно выработать прозрачные и общие правила тестирования таких систем.
«Ученые пока не знают, насколько надежны прогнозы на основе ИИ, когда речь идет о редких экстремальных погодных явлениях», — отмечают авторы статьи Шрути Нат и Тим Палмер.
Как указывают исследователи, современные физические модели прогноза погоды стали одной из главных научных историй успеха XX века. Именно переход к численным моделям в 1970-х годах заметно повысил точность предупреждений и позволил сократить число жертв при тропических циклонах.
Сейчас эту систему быстро меняют ИИ-модели, которые не решают уравнения атмосферы шаг за шагом, а напрямую сопоставляют текущее состояние погоды с вероятным будущим на основе обучения на исторических данных. Благодаря этому 14-дневный глобальный прогноз можно получить примерно на два часа раньше, чем при использовании физической модели, что особенно важно при организации эвакуации.
Однако, по мнению авторов, у такого преимущества есть и слабое место. Физические модели должны сохранять применимость и в условиях меняющегося климата, тогда как ИИ-системы обучаются на прошлых наблюдениях и могут хуже справляться с событиями, которые сильно отличаются от всего, что встречалось в обучающей выборке.
Проблема становится особенно актуальной потому, что некоторые структуры, включая Европейский центр среднесрочных прогнозов погоды, уже начали включать ИИ в свои операционные системы. При этом, как подчеркивают исследователи, единого стандарта, который позволял бы объективно сравнивать ИИ-прогнозы с традиционными моделями именно на экстремальных явлениях, пока нет.
Авторы отмечают, что ведущие ИИ-модели достаточно хорошо предсказывают траектории и в определенной степени интенсивность обычных тропических циклонов, но их точность падает, если шторм не имеет аналогов в обучающих данных. Кроме того, такие системы склонны недооценивать силу и частоту рекордных волн жары, холода и сильного ветра по сравнению с одной из ведущих физических моделей.
В связи с этим ученые предложили специальный протокол проверки, получивший название AIRWIE. Он предполагает, что из архивных метеорологических наборов данных заранее исключат набор «знаковых» экстремальных событий — например, ураган Сэнди или Великий шторм 1987 года в южной Англии, — а затем ИИ-модели будут заново обучать без этих эпизодов и проверять, насколько хорошо они смогут воспроизвести такие случаи задним числом.
По замыслу авторов, оценка должна будет учитывать, насколько точно модель воспроизводит ключевые физические характеристики экстремального события — количество осадков, силу ветра, траекторию шторма и другие параметры — и сопоставлять эти результаты с прогнозами физических моделей.
Это позволит гораздо строже и объективнее оценивать пригодность ИИ для прогноза опасной погоды.
Исследователи уже представили этот подход Всемирной метеорологической организации на семинаре в октябре 2025 года. Они считают, что до широкого внедрения ИИ в государственные прогнозные службы метеорологическое сообщество должно выработать прозрачные и общие правила тестирования таких систем.
