Jak AI zmienia prognozowanie pogody: GraphCast, AIFS i kanadyjski GEML

Agencje meteorologiczne w Europie i Ameryce Północnej rozpoczęły uruchamianie modeli sztucznej inteligencji obok dziesięcioletnich systemów prognozowania opartych na fizyce i w niektórych przypadkach łączą oba podejścia. Zmianę napędza zdolność AI do generowania globalnej prognozy na 10 dni w mniej niż minutę na jednym procesorze, w porównaniu z godzinami czasu superkomputer dla tradycyjnego numerycznego prognozowania pogody, zgodnie z Google DeepMind i Europejskim Centrum Przewidywań Średniookresowych (ECMWF).

Co naprawdę robią GraphCast i AIFS

GraphCast, zbudowany przez Google DeepMind, to model uczenia maszynowego, który wykorzystuje sieci neuronowe grafowe do przetwarzania danych pogodowych na ponad milion punktów siatki obejmujących powierzchnię Ziemi z rozdzielczością 28 na 28 kilometrów. Przyjmuje on stan atmosfery sprzed sześciu godzin i stan obecny, a następnie prognozuje następne sześć godzin; wielokrotne powtarzanie tego kroku daje prognozę na 10 dni. Model i jego wyniki zostały opublikowane w czasopiśmie Science 14 listopada 2023 roku, a jego kod został udostępniony jako otwarte źródło, zgodnie z własnymi ogłoszeniami Google DeepMind.

ECMWF zbudowała własny system, Sztuczny System Prognozowania (AIFS), który stał się operacyjny 25 lutego 2025 roku, działając obok tradycyjnego Zintegrowanego Systemu Prognozowania (IFS) opracowanego przez centrum. AIFS wykorzystuje te same dane początkowe co IFS — około 60 milionów skontrolowanych obserwacji z satelitów, samolotów, boi i stacji naziemnych gromadzonych co sześć godzin — ale stosuje model uczenia maszynowego wytrenowany na historycznych wzorcach pogody zamiast bezpośredniego rozwiązywania równań fizycznych, zgodnie z ECMWF.

Jak dokładne są modele AI, według organizacji, które je zbudowały

Google DeepMind poinformowała, że GraphCast dał dokładniejsze prognozy niż High Resolution Forecast (HRES) ECMWF — opisany przez firmę jako standard branżowy — w ponad 90% z 1380 zmiennych testowych i horyzontów czasowych, oraz w 99,7% zmiennych specyficznych dla troposfery, warstwy atmosfery, gdzie dzieje się większość pogody. DeepMind powiedziała również, że GraphCast przewidział przejście huraganu Lee na brzeg Nowej Szkocji dziewięć dni wcześniej.

ECMWF poinformowała, że AIFS «przewyższa modele oparte na fizyce najnowocześniejsze w wielu miarach, w tym ścieżki cyklonów tropikalnych, ze wzrostami do 20%», jednocześnie zużywając około 1000 razy mniej energii na prognozę niż metody konwencjonalne.

Podejście hybrydowe Kanady: AI kierujące modelem fizyki

Environment and Climate Change Canada wybrała inną drogę, budując kanadyjski model AI zwany Global Environmental eMuLator (GEML) na bazie otwartego kodu GraphCast od DeepMind i trenując go na kanadyjskich historycznych danych pogodowych. Zamiast zastępować model fizyki, agencja łączy oba podejścia poprzez technikę, którą nazywa «spektralnym dostosowaniem»: tradycyjny model jest delikatnie kierowany w stronę stanu atmosfery generowanego przez GEML, podczas gdy bardziej subtelne szczegóły dotyczące pogody ekstremalnej nadal ewoluują za pomocą ustalonych równań fizycznych, zgodnie z oficjalnym ogłoszeniem agencji. System hybrydowy stał się operacyjny 27 maja 2026 roku po ponad roku testów.

Environment and Climate Change Canada powiedziała, że modele AI mogą przewyższać tradycyjne modele komputerowe dla dużych wzorców atmosferycznych, co ma największe znaczenie przy dłuższych horyzontach prognozowania, ale nie opublikowała konkretnej liczby poprawy w ogłoszeniu.

Gdzie AI wciąż uleguje

Zarówno ECMWF, jak i Environment and Climate Change Canada wskazały na ograniczenia. AIFS ECMWF obecnie działa tylko jako pojedyncza prognoza deterministyczna; wersja zespołowa oferująca 50 wariantów prognozy, która jest standardem do oceny niepewności prognozy, wciąż jest opracowywaną, zgodnie z ECMWF. Environment and Climate Change Canada powiedziała, że samodzielnie obecne modele AI prognozują tylko ograniczoną liczbę zmiennych, co jest niewystarczające dla użytku operacyjnego, oraz że wygładzają bardziej subtelne szczegóły atmosferyczne w sposób, który może zmniejszyć dokładność dla pewnych rodzajów pogody ekstremalnej — jeden z powodów, dla którego agencja wybrała projekt hybrydowy zamiast systemu tylko opartego na AI.