Agencje meteorologiczne w Europie i Ameryce Północnej rozpoczęły uruchamianie modeli sztucznej inteligencji obok dziesięcioletnich systemów prognozowania opartych na fizyce i w niektórych przypadkach łączą oba podejścia. Zmianę napędza zdolność AI do generowania globalnej prognozy na 10 dni w mniej niż minutę na jednym procesorze, w porównaniu z godzinami czasu superkomputer dla tradycyjnego numerycznego prognozowania pogody, zgodnie z Google DeepMind i Europejskim Centrum Przewidywań Średniookresowych (ECMWF).
Co naprawdę robią GraphCast i AIFS
GraphCast, zbudowany przez Google DeepMind, to model uczenia maszynowego, który wykorzystuje sieci neuronowe grafowe do przetwarzania danych pogodowych na ponad milion punktów siatki obejmujących powierzchnię Ziemi z rozdzielczością 28 na 28 kilometrów. Przyjmuje on stan atmosfery sprzed sześciu godzin i stan obecny, a następnie prognozuje następne sześć godzin; wielokrotne powtarzanie tego kroku daje prognozę na 10 dni. Model i jego wyniki zostały opublikowane w czasopiśmie Science 14 listopada 2023 roku, a jego kod został udostępniony jako otwarte źródło, zgodnie z własnymi ogłoszeniami Google DeepMind.
ECMWF zbudowała własny system, Sztuczny System Prognozowania (AIFS), który stał się operacyjny 25 lutego 2025 roku, działając obok tradycyjnego Zintegrowanego Systemu Prognozowania (IFS) opracowanego przez centrum. AIFS wykorzystuje te same dane początkowe co IFS — około 60 milionów skontrolowanych obserwacji z satelitów, samolotów, boi i stacji naziemnych gromadzonych co sześć godzin — ale stosuje model uczenia maszynowego wytrenowany na historycznych wzorcach pogody zamiast bezpośredniego rozwiązywania równań fizycznych, zgodnie z ECMWF.
Jak dokładne są modele AI, według organizacji, które je zbudowały
Google DeepMind poinformowała, że GraphCast dał dokładniejsze prognozy niż High Resolution Forecast (HRES) ECMWF — opisany przez firmę jako standard branżowy — w ponad 90% z 1380 zmiennych testowych i horyzontów czasowych, oraz w 99,7% zmiennych specyficznych dla troposfery, warstwy atmosfery, gdzie dzieje się większość pogody. DeepMind powiedziała również, że GraphCast przewidział przejście huraganu Lee na brzeg Nowej Szkocji dziewięć dni wcześniej.
ECMWF poinformowała, że AIFS «przewyższa modele oparte na fizyce najnowocześniejsze w wielu miarach, w tym ścieżki cyklonów tropikalnych, ze wzrostami do 20%», jednocześnie zużywając około 1000 razy mniej energii na prognozę niż metody konwencjonalne.
Trzy systemy AI do prognozowania pogody, według źródła| System | Zbudowany przez | Status | Zareportowana przewaga wydajności |
|---|
| GraphCast | Google DeepMind | Opublikowano w Science, listopad 2023; otwarte źródło | Bardziej dokładny niż HRES ECMWF w ponad 90% z 1380 zmiennych testowych |
|---|
| AIFS | ECMWF | Operacyjny od 25 lutego 2025 r. | Lepszy o do 20% dla ścieżek cyklonów tropikalnych; ~1000x mniej energii na prognozę |
|---|
| GEML (hybrydowy) | Environment and Climate Change Canada | Operacyjny od 27 maja 2026 r. | Zbudowany na GraphCast; łączy AI z fizyką poprzez «spektralne dostosowanie» |
|---|
Podejście hybrydowe Kanady: AI kierujące modelem fizyki
Environment and Climate Change Canada wybrała inną drogę, budując kanadyjski model AI zwany Global Environmental eMuLator (GEML) na bazie otwartego kodu GraphCast od DeepMind i trenując go na kanadyjskich historycznych danych pogodowych. Zamiast zastępować model fizyki, agencja łączy oba podejścia poprzez technikę, którą nazywa «spektralnym dostosowaniem»: tradycyjny model jest delikatnie kierowany w stronę stanu atmosfery generowanego przez GEML, podczas gdy bardziej subtelne szczegóły dotyczące pogody ekstremalnej nadal ewoluują za pomocą ustalonych równań fizycznych, zgodnie z oficjalnym ogłoszeniem agencji. System hybrydowy stał się operacyjny 27 maja 2026 roku po ponad roku testów.
Environment and Climate Change Canada powiedziała, że modele AI mogą przewyższać tradycyjne modele komputerowe dla dużych wzorców atmosferycznych, co ma największe znaczenie przy dłuższych horyzontach prognozowania, ale nie opublikowała konkretnej liczby poprawy w ogłoszeniu.
Gdzie AI wciąż uleguje
Zarówno ECMWF, jak i Environment and Climate Change Canada wskazały na ograniczenia. AIFS ECMWF obecnie działa tylko jako pojedyncza prognoza deterministyczna; wersja zespołowa oferująca 50 wariantów prognozy, która jest standardem do oceny niepewności prognozy, wciąż jest opracowywaną, zgodnie z ECMWF. Environment and Climate Change Canada powiedziała, że samodzielnie obecne modele AI prognozują tylko ograniczoną liczbę zmiennych, co jest niewystarczające dla użytku operacyjnego, oraz że wygładzają bardziej subtelne szczegóły atmosferyczne w sposób, który może zmniejszyć dokładność dla pewnych rodzajów pogody ekstremalnej — jeden z powodów, dla którego agencja wybrała projekt hybrydowy zamiast systemu tylko opartego na AI.
Pytania
- Co to jest GraphCast?
- GraphCast to model prognozowania pogody oparty na uczeniu maszynowym zbudowany przez Google DeepMind, który wykorzystuje sieci neuronowe grafowe do generowania 10-dniowych globalnych prognoz w mniej niż minutę, opublikowany w czasopiśmie Science w listopadzie 2023 roku.
- Czy AI jest bardziej dokładne niż tradycyjne prognozowanie pogody?
- Według organizacji, które je zbudowały, modele AI takie jak GraphCast i AIFS ECMWF przewyższają fizyczne benchmarki w większości zmiennych testowych i horyzontach czasowych, w tym ścieżek cyklonów tropikalnych, ale agencje mówią, że modele oparte na fizyce wciąż bardziej niezawodnie obsługują niektóre szczegóły pogody ekstremalnej.
- Czy system prognozowania AI ECMWF jest dostępny dla publiczności?
- Tak. ECMWF uruchamia AIFS obok swojego fizycznego modelu IFS, a centrum mówi, że mapy prognoz AIFS są otwarcie dostępne na jego stronie internetowej.
- Co to jest kanadyjski model GEML?
- GEML, Global Environmental eMuLator, to model prognozowania pogody oparty na AI od Environment and Climate Change Canada zbudowany na otwartym kodzie GraphCast od DeepMind i wytrenowany na kanadyjskich historycznych danych pogodowych; stał się operacyjny 27 maja 2026 roku jako część hybrydowego systemu połączonego z tradycyjnym modelem fizyki agencji.
- Dlaczego agencje nie zastępują całkowicie modeli fizyki AI?
- Zarówno Environment and Climate Change Canada, jak i ECMWF mówią, że obecne modele AI wygładzają bardziej subtelne szczegóły atmosferyczne ważne dla pewnych sytuacji o ekstremalnej pogodzie, dlatego łączą AI z modelowaniem fizycznym zamiast używania samego AI.
Ten tekst przygotowała sztuczna inteligencja, a przed publikacją przeszedł automatyczną kontrolę źródeł. Jeśli widzisz błąd, poproś o sprostowanie. Poproś o sprostowanie lub odpowiedź · Jak to robimy
