В настоящее время метеорологи гораздо точнее выявляют погодные закономерности, чем пару сотен лет назад, однако в прогнозировании аномальных погодных явлений мы все еще относительно неопытны. Стандартные системы прогноза погоды для конкретных регионов основаны на устаревших климатических моделях, которые гораздо лучше предсказывают климатические события для целых стран, чем для отдельных городов или поселков. Для обеспечения готовности к штормам или другим формам экстремальной погоды, такой грубый подход к метеорологическим прогнозам может иметь серьезные последствия для инфраструктуры и населения. Инженеры Массачусетского технологического института нашли способ сделать современные прогнозы погоды более ориентированными на конкретные регионы.
Вместо того чтобы пытаться повысить точность существующих климатических моделей, команда Массачусетского технологического института разработала инновационный алгоритм машинного обучения, который, подобно увеличительному стеклу, добавляет глубину и четкость существующей модели. Их метод описан в статье, опубликованной во вторник в журнале Journal of Advances in Modeling Earth Systems. Алгоритм начинает свою работу с получения данных о прошлых погодных явлениях и событиях: температурах, влажности, осадках и так далее. Затем он сравнивает эти данные с прогнозами, сделанными с помощью грубых климатических моделей для этих периодов. В зависимости от того, насколько совпадают прогнозы и фактические погодные данные, алгоритм выстраивает ассоциации, позволяющие ему улучшать прогнозы климатических моделей в настоящее время.
Благодаря новому алгоритму прогнозирования погоды люди будут готовы к наводнениям и штормам.В одном из экспериментов инженеры скорректировали и улучшили моделирование климата полученные с помощью экзафлопсной модели системы Земли (E3SM), разработанной Министерством энергетики США. Как и большинство крупномасштабных моделей прогнозирования климата, E3SM может моделировать погодные условия только в диапазоне от 100 до 110 километров. Но обучив свой алгоритм на восьми годах подтвержденных климатических данных из прошлого, команда научила его устанавливать новые ассоциации между E3SM и реальной погодой. Когда они повторно запустили E3SM и наложили на нее свой алгоритм, улучшенные результаты гораздо более точно совпали с реальными погодными явлениями, чем исходные прогнозы E3SM.
Согласно заявлению MIT, "корректировка" прогноза может привести к разнице всего в 10 градусов по Цельсию между первоначальным выводом климатической модели и улучшенными результатами их алгоритма. Но для людей 10 градусов имеют довольно значительное значение: будет жарко или нет, а может вероятность получить обморожение вместо того, чтобы одеться потеплее. Эта погрешность также существенно влияет на суровые погодные явления, такие как метели, торнадо, тропические циклоны, волны тепла и сезоны пожаров — события, которые могут повредить или разрушить целые поселения или экосистемы. Таким образом, алгоритм машинного обучения, разработанный в MIT, представляет собой значительный шаг вперед в повышении точности прогнозов экстремальной погоды. Он поможет метеорологам и другим специалистам лучше подготовиться к стихийным бедствиям и минимизировать их возможное влияние.