Bagaimana Kecerdasan Buatan Mengubah Prakiraan Cuaca: GraphCast, AIFS dan GEML Kanada

Agensi cuaca di Eropa dan Amerika Utara telah mulai menjalankan model kecerdasan buatan beriringan dengan sistem prakiraan berbasis fisika berusia puluhan tahun, dan dalam beberapa kasus sedang mencampurkan keduanya. Pergeseran ini didorong oleh kemampuan AI untuk menghasilkan prakiraan global 10 hari dalam waktu kurang dari satu menit pada satu prosesor, dibandingkan dengan jam waktu superkomputer untuk prakiraan cuaca numerik tradisional, menurut Google DeepMind dan Pusat Eropa untuk Prakiraan Cuaca Jangka Menengah (ECMWF).

Apa yang sebenarnya dilakukan GraphCast dan AIFS

GraphCast, yang dibangun oleh Google DeepMind, adalah model pembelajaran mesin yang menggunakan jaringan saraf grafik untuk memproses data cuaca di lebih dari satu juta titik grid yang mencakup permukaan Bumi pada resolusi 28 hingga 28 kilometer. Ini mengambil keadaan atmosfer dari enam jam sebelumnya dan keadaan saat ini, kemudian memprediksi enam jam berikutnya; menjalankan langkah itu berulang kali menghasilkan prakiraan 10 hari. Model dan hasilnya dipublikasikan di jurnal Science pada 14 November 2023, dengan kodenya dirilis sebagai sumber terbuka, menurut pengumuman Google DeepMind sendiri.

ECMWF membangun sistemnya sendiri, Sistem Prakiraan Kecerdasan Buatan (AIFS), yang menjadi operasional pada 25 Februari 2025, berjalan beriringan dengan Sistem Prakiraan Terintegrasi berbasis fisika tradisional pusat (IFS). AIFS menggunakan data awal yang sama seperti IFS — sekitar 60 juta pengamatan yang dikontrol kualitas dari satelit, pesawat, bouy dan stasiun darat yang dikumpulkan setiap enam jam — tetapi menerapkan model pembelajaran mesin yang dilatih pada pola cuaca historis bukan menyelesaikan persamaan fisika secara langsung, menurut ECMWF.

Seberapa akurat model AI, menurut organisasi yang membangunnya

Google DeepMind melaporkan bahwa GraphCast menghasilkan prediksi yang lebih akurat daripada Prakiraan Resolusi Tinggi ECMWF (HRES) — dijelaskan oleh perusahaan sebagai tolok ukur industri — pada lebih dari 90% dari 1.380 variabel uji dan waktu tunggu, dan pada 99,7% dari variabel spesifik troposfer, lapisan atmosfer tempat sebagian besar cuaca terjadi. DeepMind juga mengatakan GraphCast memprediksi pendaratan Hurricane Lee di Nova Scotia sembilan hari sebelumnya.

ECMWF melaporkan bahwa AIFS "mengungguli model berbasis fisika terkini untuk banyak ukuran, termasuk lintasan badai tropis, dengan keuntungan hingga 20%," sambil menggunakan kira-kira 1.000 kali lebih sedikit energi per prakiraan daripada metode konvensional.

Pendekatan hibrida Kanada: AI membimbing model fisika

Lingkungan dan Perubahan Iklim Kanada mengambil rute yang berbeda, membangun model AI Kanada yang disebut Emulator Lingkungan Global (GEML) di atas kode GraphCast sumber terbuka DeepMind dan melatihnya pada data cuaca historis Kanada. Daripada mengganti model berbasis fisika, agensi menggabungkan keduanya melalui teknik yang disebutnya "nudging spektral": model tradisional dengan lembut dipandu menuju keadaan atmosfer yang dihasilkan oleh GEML, sementara detail skala halus yang relevan dengan cuaca ekstrem masih berkembang menggunakan persamaan fisika yang terbentuk, menurut pengumuman resmi agensi. Sistem hibrida menjadi operasional pada 27 Mei 2026, setelah lebih dari setahun pengujian.

Lingkungan dan Perubahan Iklim Kanada mengatakan model AI dapat mengungguli model komputer tradisional untuk pola atmosfer skala besar, yang paling penting pada waktu tunggu yang lebih lama, tetapi tidak menerbitkan angka peningkatan spesifik dalam pengumuman.

Di mana AI masih ketinggalan

Baik ECMWF maupun Lingkungan dan Perubahan Iklim Kanada menandai batasan. AIFS ECMWF saat ini hanya berjalan sebagai prakiraan deterministik tunggal; versi ensemble yang menawarkan 50 variasi prakiraan, yang merupakan standar untuk menilai ketidakpastian prakiraan, masih sedang dikembangkan, menurut ECMWF. Lingkungan dan Perubahan Iklim Kanada mengatakan bahwa, dengan sendirinya, model AI saat ini memprediksi hanya jumlah variabel terbatas, yang tidak cukup untuk penggunaan operasional, dan mereka merapikan detail atmosfer halus dengan cara yang dapat menurunkan akurasi untuk jenis cuaca ekstrem tertentu — alasan agensi memilih desain hibrida bukan sistem hanya-AI.