Как AI меняет прогнозирование погоды: GraphCast, AIFS и канадская GEML

Метеорологические агентства в Европе и Северной Америке начали запускать модели искусственного интеллекта рядом с многолетними физическими системами прогнозирования и в некоторых случаях объединяют их. Сдвиг обусловлен способностью ИИ создавать глобальный 10-дневный прогноз менее чем за минуту на одном процессоре, в отличие от часов работы суперкомпьютера для традиционного численного прогнозирования погоды, согласно Google DeepMind и Европейскому центру среднесрочных прогнозов погоды (ECMWF).

Что на самом деле делают GraphCast и AIFS

GraphCast, созданный компанией Google DeepMind, — это модель машинного обучения, которая использует графические нейронные сети для обработки данных о погоде на более чем одном миллионе точек сетки, охватывающих поверхность Земли с разрешением 28 на 28 километров. Он берет состояние атмосферы с шести часов раньше и текущее состояние, затем прогнозирует следующие шесть часов; повторное выполнение этого шага дает 10-дневный прогноз. Модель и её результаты были опубликованы в журнале Science 14 ноября 2023 года, при этом её код был выпущен в открытом исходном коде, согласно собственному объявлению Google DeepMind.

ECMWF создала собственную систему — Систему прогнозирования искусственного интеллекта (AIFS), которая стала операционной 25 февраля 2025 года, работая наряду с традиционной физической Интегрированной системой прогнозирования (IFS) центра. AIFS использует те же исходные данные, что и IFS — примерно 60 миллионов качественно контролируемых наблюдений со спутников, самолетов, буев и наземных станций, собираемых каждые шесть часов, — но применяет модель машинного обучения, обученную на исторических паттернах погоды, вместо прямого решения физических уравнений, согласно ECMWF.

Насколько точны модели ИИ, по данным организаций, которые их создали

Google DeepMind сообщила, что GraphCast дал более точные прогнозы, чем High Resolution Forecast (HRES) компании ECMWF — описанный компанией как отраслевой эталон — по более чем 90% из 1380 тестовых переменных и сроков, и по 99,7% переменных, специфичных для тропосферы, слоя атмосферы, где происходит большая часть погодных явлений. DeepMind также сообщила, что GraphCast предсказала выход урагана Lee на берег Новой Шотландии за девять дней до этого.

ECMWF сообщила, что AIFS «превосходит передовые физические модели по многим показателям, включая ход тропических циклонов, с улучшениями до 20%», при этом используя примерно в 1000 раз меньше энергии на один прогноз, чем традиционные методы.

Гибридный подход Канады: ИИ направляет физическую модель

Environment and Climate Change Canada пошла другим путем, создав канадскую модель ИИ под названием Global Environmental eMuLator (GEML) на основе открытого кода GraphCast от DeepMind и обучив её на канадских исторических данных о погоде. Вместо замены физической модели агентство объединяет оба подхода через технику, которую оно называет «спектральным направлением»: традиционная модель мягко направляется к состоянию атмосферы, генерируемому GEML, при этом более тонкие детали, актуальные для суровой погоды, все еще развиваются с использованием установленных физических уравнений, согласно официальному объявлению агентства. Гибридная система стала операционной 27 мая 2026 года после более года тестирования.

Environment and Climate Change Canada сказала, что модели ИИ могут превосходить традиционные компьютерные модели для крупномасштабных атмосферных паттернов, что имеет наибольшее значение при более длительных сроках прогноза, но не опубликовала конкретную цифру улучшения в объявлении.

Где ИИ все еще отстает

И ECMWF, и Environment and Climate Change Canada указали на ограничения. AIFS от ECMWF в настоящее время работает только как детерминированный единственный прогноз; версия ансамбля, предлагающая 50 вариаций прогноза, которая является стандартом для оценки неопределенности прогноза, все еще разрабатывается, согласно ECMWF. Environment and Climate Change Canada сказала, что сами по себе текущие модели ИИ прогнозируют только ограниченное количество переменных, чего недостаточно для оперативного использования, и что они сглаживают более тонкие атмосферные детали способами, которые могут снизить точность для определенных типов экстремальной погоды — одна из причин, по которым агентство выбрало гибридный дизайн вместо системы только на основе ИИ.