Egyre több technológiai nagyvállalat fejleszt olyan modelleket, melyek jelentős változásokat ígérnek az időjárás-előrejelzések terén. De ezek valóban helyettesíthetik az eddig használt modelleket?

Egy előrejelzés elkészítése rendkívül komplex folyamat számos méréssel, megfigyeléssel, számítógépes modellezéssel, a gépi eredmények értelmezésével stb., és az előrejelzés még így sem lehet 100 százalékban biztos, hiszen sok a bizonytalansági tényező. Ilyen például, ha némely területről nincs megfelelő meteorológiai információ, nem ismertek teljes mértékben az időjárást alakító, légkörben zajló folyamatok, de a számítások során alkalmazott közelítések is pontatlansághoz vezethetnek.


Az előrejelzések készítésében jelentős szerephez jut a számítástechnika és most már a mesterséges intelligencia, és e terület fejlődésével lesznek egyre pontosabbak az előrejelzések is.

A Google DeepMind algoritmusa, a gépi tanuláson alapuló GraphCast például egy perc alatt fel tud állítani időjárási prognózist, és akár egy asztali számítógépen is futtatható. A tesztek során a GraphCast precízebb tíznapos előrejelzést produkált, mint az európai meteorológiai kutatóintézetben (European Centre for Medium-Range Weather Forecasts) használt, a világ legjobb időjárás-modellező szuperszámítógépének tartott HRES.

A GraphCast és a HRES versenyében 1300 tesztrégiót adtak meg a kutatók, ezek 90 százalékában az időjárási változók 99 százalékát tudta pontosabban előre jelezni a Google algoritmusa a HRES-nél. Ráadásul az extrém időjárási események előre jelzésében is hasznos lehet, legyen szó hőhullámokról, hidegebb időszakokról vagy trópusi viharokról.

időjárás-előrejelzés

Az előrejelzések készítésében jelentős szerephez jut a számítástechnika és most már a mesterséges intelligencia – fotó: Shutterstock

A Microsoft is jelen van a területen az Aurora nevű időjárás-előrejelző MI-modelljével. Ez az 1,3 milliárd paraméterrel rendelkező modell képes kezelni a jelenlegi módszerek korlátait azzal, hogy kiterjedt légköri adatokat tud pillanatok alatt feldolgozni, ami segíthet a szélsőséges időjárási események korai jelzésében is. Egyre pontosabb előrejelzésekre van szükség, mivel az éghajlatváltozást továbbra is súlyosabb időjárási minták kísérik.

Az Aurora a cég állítása szerint felülmúlja a speciális mélytanulási modelleket a különböző időjárás-előrejelzési feladatok és felbontások tekintetében, ugyanis egy perc alatt készít globális légszennyezettségi előrejelzéseket vagy például 10 napos, nagy felbontású időjárás-előrejelzéseket.

A norvég 7Analytics MI-fejlesztése pedig 72 órával előre képes jelezni, ha az időjárás miatt villámárvíz vagy áradás fenyeget egy települést, és ezt egyméteres pontossággal tudja megtenni!

Szépszó Gabriella meteorológus, a HungaroMet klimatológiai és kutatás-fejlesztési igazgatója szerint a techcégek a jelenlegi előrejelzési gyakorlatban alkalmazott, hagyományos meteorológiai modelleknek akarnak versenyt állítani, miközben jelentős mértékben építenek azokra. A GraphCast és a FourCastNet modelleket például „a háromdimenziós légkör jelenlegi legpontosabb leírását adó ERA5 reanalíziseken tanították be", amit pedig mérések és hagyományos előrejelző modellek felhasználásával hoztak létre évtizedek munkájával.

A betanított algoritmusokkal készített előrejelzések már néhány perc alatt elkészülnek, és pontosságuk, azaz beválásuk összemérhető a hagyományos, fizikai időjárási modellekével. Összemérhető, de egyelőre nem jobb.

A mesterséges intelligenciával a legfőbb probléma az, hogy valójában nem érti a légkörben lejátszódó fizikai folyamatokat, hanem rengeteg változó figyelembevételével, statisztikai alapon készít előrejelzést, az adatokban rejlő mintázatok felismerése által.

Ezzel szemben a meteorológusok az előrejelzések készítésekor igyekeznek megérteni a légköri folyamatokat, és ezeket vizsgálva írják le a légkör aktuális helyzetét, és vetítik előre várható változásait. Az ilyen módon készülő előrejelzéseket az MI jelenleg nem tudja kiváltani, csupán kiegészíteni, pontosítani.

Az is előfordul, hogy a mesterséges intelligencia hamis tartalmakat generál, amit aztán pontos információként tálal a felhasználóknak. Ez a tudományban komoly problémát jelent.

Amiben jól jön az MI, az a sok időigényes részszámítás; ezzel számítási időt és erőforrást takarít meg. Megfelelő alapot nyújthat továbbá az ultrarövidtávú előrejelzések készítéséhez, például a műholdképek elemzése, nyomon követése révén.

A katasztrófákra figyelmeztető, veszélyjelző rendszerek kialakításában is fontos szerep hárulhat az MI-re, a szakmai tudást, tapasztalatot azonban jelenleg nem tudja kiváltani.

Forrás: hvg.hu