📊 Новое поколение субсезонных прогнозов на базе ИИ
При создании субсезонных прогнозов я всегда опирался на два проверенных инструмента: ансамблевые прогнозы Европейского центра среднесрочных прогнозов погоды (ECMWF) и американский ансамбль GEFS. Их продукция периодически появлялась в этой группе, и долгое время альтернатив им попросту не существовало.
Но с развитием нейросетей и машинного обучения на сцену начали выходить принципиально новые модели, основанные на данных. И они превосходят классические физические модели практически на всех временных горизонтах.
Самый наглядный пример нового подхода — ИИ-модель AIFS от ECMWF. Её появление фактически дало старт глобальной гонке, в которую включились Европа, США и Китай.
Китайским учёным удалось создать модель FuXi, которая в среднесрочных прогнозах на 10 суток даже превзошла AIFS. Но главное — именно с FuXi начался переход на большие временные масштабы. Так родилась FuXi-S2S — первая оперативная субсезонная ИИ-модель, способная заглядывать на срок до шести недель.
Научная основа модели опубликована в журнале Nature Communications. Построенная на её базе операционная метеорологическая система получила имя Fengshun (кит. «Попутный ветер»), или Фэншунь в русской транскрипции.
Систему разработала команда из Метеорологического управления Китая (CMA) и Фуданьского университета (FDU). Различные версии модели Fengshun заняли первые места в весеннем (MAM) и летнем (JJA) сезонах международного соревнования AI Weather Quest, обойдя по точности классическую физическую модель IFS — признанный эталон, используемый ECMWF.
Модель увеличила горизонт точного прогнозирования осцилляции Маддена — Джулиана — ключевого климатического явления, влияющего на погоду всей планеты — с 30 до 36 дней. Шесть дополнительных дней на субсезонном масштабе — это колоссальный скачок. Fengshun блестяще спрогнозировала аномальное наводнение в Пакистане в 2022 году за четыре недели до его начала. Для сравнения: классическая модель ECMWF до последнего занижала масштабы бедствия.
Китайские учёные доказали, что модель не просто угадывает. Проанализировав её алгоритмы, они обнаружили: для предсказания экстремальных осадков в Пакистане ИИ анализировал температуру поверхности океана за тысячи километров, фактически отслеживая явление Ла-Нинья. Это убедительное свидетельство того, что нейросеть «понимает» физические закономерности планетарного масштаба.
Модель выдаёт ежедневный прогноз на 42 дня вперёд. Генерация полного прогноза занимает всего 7 секунд на одной видеокарте NVIDIA A100. Для классических численных моделей, требующих суперкомпьютеров и часов вычислений, это немыслимая скорость. Нейросеть натренирована на 67 годах исторических данных о погоде из реанализа ERA5.
Главная инновация Fengshun — уникальный подход к созданию ансамблей (множества вариантов прогноза для оценки неопределённости). Вместо того чтобы просто вносить возмущения в начальные погодные данные — как делают классические модели — ИИ сжимает всю метеорологическую информацию в математическое «скрытое пространство» (latent space) и добавляет вероятностные возмущения непосредственно там. Такой подход не даёт прогнозу «рассыпаться» и терять детали со временем — хроническая проблема стандартных субсезонных моделей.
Ежедневные прогнозы модели публикуются на платформе MAZU Всемирного метеорологического центра в Пекине.
При создании субсезонных прогнозов я всегда опирался на два проверенных инструмента: ансамблевые прогнозы Европейского центра среднесрочных прогнозов погоды (ECMWF) и американский ансамбль GEFS. Их продукция периодически появлялась в этой группе, и долгое время альтернатив им попросту не существовало.
Но с развитием нейросетей и машинного обучения на сцену начали выходить принципиально новые модели, основанные на данных. И они превосходят классические физические модели практически на всех временных горизонтах.
Самый наглядный пример нового подхода — ИИ-модель AIFS от ECMWF. Её появление фактически дало старт глобальной гонке, в которую включились Европа, США и Китай.
Китайским учёным удалось создать модель FuXi, которая в среднесрочных прогнозах на 10 суток даже превзошла AIFS. Но главное — именно с FuXi начался переход на большие временные масштабы. Так родилась FuXi-S2S — первая оперативная субсезонная ИИ-модель, способная заглядывать на срок до шести недель.
Научная основа модели опубликована в журнале Nature Communications. Построенная на её базе операционная метеорологическая система получила имя Fengshun (кит. «Попутный ветер»), или Фэншунь в русской транскрипции.
Систему разработала команда из Метеорологического управления Китая (CMA) и Фуданьского университета (FDU). Различные версии модели Fengshun заняли первые места в весеннем (MAM) и летнем (JJA) сезонах международного соревнования AI Weather Quest, обойдя по точности классическую физическую модель IFS — признанный эталон, используемый ECMWF.
Модель увеличила горизонт точного прогнозирования осцилляции Маддена — Джулиана — ключевого климатического явления, влияющего на погоду всей планеты — с 30 до 36 дней. Шесть дополнительных дней на субсезонном масштабе — это колоссальный скачок. Fengshun блестяще спрогнозировала аномальное наводнение в Пакистане в 2022 году за четыре недели до его начала. Для сравнения: классическая модель ECMWF до последнего занижала масштабы бедствия.
Китайские учёные доказали, что модель не просто угадывает. Проанализировав её алгоритмы, они обнаружили: для предсказания экстремальных осадков в Пакистане ИИ анализировал температуру поверхности океана за тысячи километров, фактически отслеживая явление Ла-Нинья. Это убедительное свидетельство того, что нейросеть «понимает» физические закономерности планетарного масштаба.
Модель выдаёт ежедневный прогноз на 42 дня вперёд. Генерация полного прогноза занимает всего 7 секунд на одной видеокарте NVIDIA A100. Для классических численных моделей, требующих суперкомпьютеров и часов вычислений, это немыслимая скорость. Нейросеть натренирована на 67 годах исторических данных о погоде из реанализа ERA5.
Главная инновация Fengshun — уникальный подход к созданию ансамблей (множества вариантов прогноза для оценки неопределённости). Вместо того чтобы просто вносить возмущения в начальные погодные данные — как делают классические модели — ИИ сжимает всю метеорологическую информацию в математическое «скрытое пространство» (latent space) и добавляет вероятностные возмущения непосредственно там. Такой подход не даёт прогнозу «рассыпаться» и терять детали со временем — хроническая проблема стандартных субсезонных моделей.
Ежедневные прогнозы модели публикуются на платформе MAZU Всемирного метеорологического центра в Пекине.