Исследователи из Microsoft Research New England вместе с MIT и Европейским центром среднесрочных прогнозов погоды (ECMWF) представили метод на основе машинного обучения, направленный на повышение точности метеорологических прогнозов на горизонте от двух до шести недель. По описанию авторов, подход не требует гигантской вычислительной мощности и сохраняет точность в пределах двух недель вперед, что отличает его от некоторых традиционных подходов.

Согласно публикациям, в рамках сравнительных тестов метод PBC (Probabilistic Bias Correction) демонстрирует способность снижать систематические ошибки в существующих моделях, что позволяет точнее предсказывать осадки и температуру в долгосрочной перспективе. Подчеркнуто, что результат достигается за счёт устранения предвзятостей в данных и моделей, а не за счёт приёмов, требующих мощного оборудования. Публикация об итогах результатов была размещена в Nature, а сам инструмент стал доступен в открытом виде. Ранее работа была отмечена на конкурсе AI Weather Quest, организованном ECMWF.

Сообщается, что точность улучшилась для 98 % прогнозов осадков и 92 % прогнозов температуры в рамках одной из ведущих физико-математических моделей погоды ECMWF. Кроме того, применение PBC позволило вдвое повысить точность новой системы прогнозирования ECMWF, использующей искусственный интеллект. Эти данные подчёркивают потенциал метода для оперативного применения фермерам и службам экстренного реагирования по всему миру на случай аномальной жары, ураганов и затяжных ливней.

По словам старшего исследователя Лестера Маки, технология рассчитана на использование на обычных процессорах (CPU), а не на супервычислительных rig или дорогих графических ускорителях. Это делает метод более доступным для метеослужб с ограниченными ресурсами и особенно перспективным для развивающихся стран, где тестирование уже началось в Кении в преддверии сезона дождей.

С точки зрения контекста, авторы подчёркивают, что как физические модели, так и модели на базе ИИ сталкиваются с аналогичными трудностями при долгосрочном прогнозировании: заполнение пробелов в данных требует приближений и приводит к систематическим ошибкам, возникающим и накапливающимся при прогнозах на несколько недель вперёд. В рамках проекта признаётся важность учёта изменений климата и возможных смещений, связанных с выбросами парниковых газов, которые могут приводить к заниженным температурам по историческим данным.

Итоги проекта, включая примеры применения и планы по дальнейшему развитию, связаны с тем, что метод PBC разработан как «вероятностная коррекция систематических ошибок» и призван повысить надёжность прогнозов для служб, работающих с ограниченными ресурсами. По словам Маки, это позволит лучше готовиться к экстремальным погодным явлениям и адаптировать ИИ к региональным условиям, что сейчас испытывают в том числе в рамках пилотного применения в Кении.