Ученые создали ИИ-программу для прогноза климатических процессов, работающую по принципу нейросетевых видеогенераторов. Нейросеть на основе известных метеоданных строит возможные сценарии, что позволяет значительно ускорить и упростить расчеты. Ее можно запустить даже на обычном ноутбуке: она формирует детализированный прогноз на восемь дней и предсказывает климатические отклонения на срок до месяца. Например, она могла бы предсказать аномальный снегопад в Москве. Такие данные особенно важны для отраслей, чувствительных к погодным рискам, от служб спасения до сельского хозяйства и страхования. При этом эксперты подчеркивают, что новые подходы следует использовать вместе с традиционными методами: нейросети обеспечивают высокую скорость расчетов, тогда как классические модели — необходимую точность и надежность прогнозов.
Программа Marchuk основана на алгоритмах, аналогичных тем, что используются в генерации видео, объяснили разработчики. На основе известных метеоданных она прогнозирует возможные состояния атмосферы, так же как нейросети «достраивают» следующие кадры в сгенерированных роликах. Такой подход позволяет в разы ускорить и упростить расчет погодных сценариев по сравнению с традиционными методами. Разработанная модель имеет 276 млн параметров (примерно в 600 раз меньше, чем большие языковые модели типа чата GPT-3). Ее реально запустить даже на ноутбуке с хорошей видеокартой. Программа может за 7,5 минуты сделает детальный прогноз до восьми дней, а также предскажет аномалии, которые произойдут через 15–30 дней.
Программа Marchuk названа в честь математика Гурия Марчука — основоположника численного моделирования атмосферы и климатических процессов. Его разработки позволили применять ЭВМ для прогноза погоды и заложили фундамент многих гидродинамических моделей. С 1986 по 1991 год ученый возглавлял Академию наук СССР.
Чтобы сделать качественный прогноз, Marchuk достаточно получить данные о погоде за последний день. А точнее, четыре «снимка» состояния атмосферы с интервалом в шесть часов. На их основе нейросеть может предсказать погоду на срок от одного до восьми дней вперед. Такие данные, к примеру, необходимы аграриям — чтобы понимать, когда сеять и убирать урожай. Они важны и для энергетиков, которым нужно заранее определять режимы работы теплоэлектроцентралей. В целом разработка может быть востребована всеми, чья операционная деятельность зависит от погодных условий: службами спасения, коммунальными предприятиями, страховыми компаниями и банками. Модель может моделировать вероятностное распределение погодных сценариев. Это полезно, если мы хотим оценить вероятность того или иного стихийного бедствия через несколько недель или месяцев.
Marchuk, в частности, мог бы предсказать аномальный снегопад, который прошел в Москве 27 апреля. Сейчас размещенная в открытом доступе версия дает прогноз на пять дней. Это связано с ограниченным объемом архивных данных. Но при интегрировании с оперативными моделями прогноза погоды это время сокращается, Marchuk начинает «чувствовать» погодные события за 15 дней. В дополнение к нейросети разработчики создали ИИ-метеоролога — систему автоматической генерации текстовых прогнозов. Она переводит численные данные модели в связные объяснения, доступные обычному пользователю, сообщил Иван Оседелец. Система протестирована на локациях с разными климатами — в ирландском городе Корке, филиппинской Маниле, индийском Ченнаи и вьетнамском Дананге.
Прогноз погоды — один из наиболее востребованных цифровых сервисов. Многие пользуются им ежедневно, не задумываясь о сложной инфраструктуре, которая стоит за привычными числами и визуальными иконками в приложениях. Основанные на ИИ модели могут дать импульс к дальнейшему развитию отечественных прогностических схем. Созданная учеными Института AIRI модель Marchuk трансформирована в функционирующую технологическую прогностическую линию, и на нынешнем этапе можно сделать вывод о создании в России перспективного научно-технологического направления. При этом, согласно процедурам и стандартам Росгидромета, для принятия решения о внедрении новой модели необходимо провести независимые испытания и сопоставить ее прогнозы с результатами действующих гидродинамических моделей, используемых в ведомстве. Как и другим инструментам, нейросетям можно доверять только после всесторонней проверки, сообщил он. В частности, возникают вопросы, насколько стандартные метрики достаточны для анализа атмосферных явлений с их богатой многомасштабной динамикой. Также интересно, как модель покажет себя в сложных регионах. Например, в Арктике.
По словам эксперта, усилить нейросетевые алгоритмы может расширение набора учитываемых факторов, повышение пространственного разрешения и интеграция физических параметров в процессы машинного обучения. При этом ИИ-модели эффективнее использовать совместно с классическими подходами: нейросети будут ускорять расчеты, а традиционные методы обеспечат необходимую точность.
Источник: Известия
