Дослідники Microsoft розробили інструмент Probabilistic Bias Correction (PBC), який за допомогою машинного навчання підвищує точність прогнозів погоди на 2–6 тижнів. Результати дослідження опублікували в журналі Nature, а програмний код зробили відкритим.
Як Microsoft покращує довгострокові прогнози погоди
Звичайні погодні моделі, зокрема системи на основі штучного інтелекту, зазвичай втрачають точність під час прогнозування більш ніж на два тижні. Традиційні методи моделюють фізичні процеси в атмосфері, тоді як ШІ аналізує закономірності в історичних погодних даних.
Обидва підходи мають обмеження через неповну інформацію про атмосферу та складність природних процесів. Щоб компенсувати нестачу даних, моделі використовують наближені розрахунки, які можуть створювати систематичні похибки.
Чим довший період прогнозування, тим сильніше накопичуються ці помилки.
Microsoft запропонувала технологію Probabilistic Bias Correction (Корекція ймовірнісного зміщення), яка використовує машинне навчання для виявлення та виправлення таких відхилень.
На відміну від окремих ШІ-систем прогнозування, PBC не створює новий прогноз із нуля, а покращує результати наявних моделей.
Наприклад, історичні дані не враховують сучасне потепління клімату. Через це модель прогнозуватиме нижчі температури, ніж ті, що відповідають нинішнім кліматичним умовам. PBC допомагає виявляти та коригувати подібні помилки.
Розробники сподіваються, що технологія зробить довгострокові прогнози надійнішими, зокрема під час передбачення екстремальних погодних явищ.
Які результати показала технологія PBC
Дослідники перевірили PBC на погодних моделях Європейського центру середньострокових прогнозів погоди (ECMWF).
Під час тестування PBC допомогла точніше прогнозувати 98% досліджуваних показників опадів і 92% показників температури. Це не означає, що прогнози стали безпомилковими, але їхні результати частіше були ближчими до реальної погоди.
Однією з переваг PBC є невисокі вимоги до обчислювальних ресурсів. Традиційне фізичне моделювання погоди потребує суперкомп'ютерів, а генеративні ШІ-моделі часто використовують потужні графічні процесори.
Натомість PBC може працювати на звичайних CPU. Це робить технологію доступнішою для метеорологічних служб, які не мають великих бюджетів на обчислювальну інфраструктуру.
«Я дуже сподіваюся як на підвищення ефективності використання ресурсів для прогнозування погоди, так і на збільшення надійності прогнозів, особливо екстремальних погодних явищ», — сказав Лестер Маккі, старший головний дослідник Microsoft Research New England.
Дослідники з Microsoft, MIT, ECMWF та інших установ опублікували результати роботи в журналі Nature.
Меттью Чантрі, стратегічний керівник напряму машинного навчання ECMWF, позитивно оцінив появу нових підходів, але наголосив на складності їхнього практичного впровадження.
Як застосують технологію
Програмний код PBC опублікували у відкритому доступі, щоб інші дослідники могли використовувати та вдосконалювати технологію.
Однією з авторок дослідження є Женев'єв Фласполер, яка працювала над PBC під час стажування в Microsoft. Зараз вона очолює некомерційну організацію Rhiza Research.
Організація співпрацює з метеорологічною службою Кенії та за фінансування Gates Foundation досліджує можливості ШІ для покращення ранніх погодних попереджень. PBC входить до переліку методів, які перевіряють перед очікуваним сезоном інтенсивних дощів.
