ИИ ошибается в самый опасный момент: погодные рекорды пошли не по плану

ИИ недооценил экстремальную жару и холод в прогнозах — статистик Чжунвэй Чжан

Модели погоды на основе искусственного интеллекта всё чаще демонстрируют результаты, сопоставимые с классическими прогнозами. Однако в моменты, когда природа выходит за привычные рамки и устанавливает рекорды, ситуация меняется. Новое исследование показывает, что при экстремальных погодных условиях традиционные физические модели по-прежнему оказываются надёжнее. Об этом сообщает научное издание со ссылкой на работу международной группы исследователей.

Почему экстремальную погоду так сложно прогнозировать

Команду возглавил статистик Женевского университета Чжунвэй Чжан, специализирующийся на редких климатических событиях. Его исследования сосредоточены на оценке рисков и неопределённости в погодных и климатических процессах, где стандартные методы часто дают сбой.

Речь идёт о рекордных экстремальных явлениях — случаях, когда температура или скорость ветра достигают нового максимума или минимума для конкретного места и сезона. Такие события особенно опасны, поскольку инфраструктура и системы планирования обычно ориентируются на прошлые показатели. Когда погодные условия резко выходят за эти пределы, последствия могут быть масштабными, как это происходит при экстремальных ливнях и наводнениях.

Как работают классические прогнозы погоды

Современное прогнозирование в основном опирается на численные модели, основанные на физических законах. Они описывают движение воздуха, влаги и энергии в атмосфере с помощью уравнений и требуют значительных вычислительных ресурсов.

Взамен такие системы выдают детализированные карты температуры, ветра, давления и осадков на несколько дней вперёд. Их сильная сторона — способность корректно описывать даже нетипичные комбинации условий, если они подчиняются физическим принципам.

В чём сложность для ИИ

Большинство тестов для моделей ИИ проверяют, насколько хорошо они воспроизводят ситуации, уже присутствовавшие в обучающих данных. Однако ключевая проблема возникает при экстраполяции — попытке спрогнозировать условия, которые выходят за рамки прошлого опыта.

Чтобы оценить эту способность, исследователи использовали набор данных Reanalysis, объединяющий наблюдения и единую модель атмосферы. Анализ охватил период с 1979 по 2020 год и включал все случаи, когда локальная температура или скорость ветра превышали предыдущие рекорды.

Масштаб анализа экстремумов

Только за 2020 год было зафиксировано 162 751 рекорд жары, 32 991 рекорд холода и 53 345 рекордных значений ветра по всему миру. Учёт данных в каждой ячейке сетки и для каждого сезона позволил тестировать модели именно на редких экстремумах, а не на известных катастрофах.

Для сравнения исследователи сопоставили несколько систем ИИ с моделью Европейского центра среднесрочных прогнозов погоды — ECMWF HRES. Для каждого случая оценивались прогнозы на срок от нескольких часов до десяти дней, а точность измерялась с помощью средней квадратичной ошибки.

Как ИИ справляется с погодными рекордами

Результаты оказались однозначными: при рекордной жаре, холоде и ветре физическая модель превосходила все протестированные системы ИИ в большинстве сценариев. Особенно заметным это преимущество было в краткосрочных прогнозах на несколько дней.

ИИ-модели часто занижали экстремальную жару и, наоборот, усиливали холод сильнее, чем это происходило на самом деле. Кроме того, по мере появления всё более экстремальных значений ошибки таких прогнозов росли.

Недооценка редких событий

Отдельная проблема заключалась в том, что ИИ систематически недооценивал частоту рекордных явлений. Многие экстремумы, присутствующие в наблюдениях, просто не появлялись в прогнозах.

Численная модель, напротив, более точно воспроизводила и количество, и географию рекордных событий. Это указывает на фундаментальное ограничение моделей, обученных исключительно на данных прошлого: они плохо работают, когда реальность выходит за привычный диапазон, включая процессы вроде обратных связей в Арктике.

Почему физика остаётся ключевой

Хотя машинное обучение уже заметно изменило прогнозирование погоды и эффективно справляется с рутинными задачами, экстремальные явления остаются его слабым местом. В исследовании Чжана физическая модель сохраняла устойчивую точность даже при росте экстремальности условий.

Физические уравнения обеспечивают баланс массы, энергии и импульса, позволяя системе корректно описывать необычные сценарии. Это особенно важно для решений с высоким риском — от планирования тепловых нагрузок до устойчивости электросетей и подготовки к штормам.

Будущее ИИ в прогнозах экстремальной погоды

Другие исследования показывают, что эффективность ИИ и классических моделей может различаться в зависимости от конкретного события — будь то тепловая волна или зимний шторм. Тем не менее ограничения ИИ становятся особенно заметными, когда оцениваются реальные последствия.

Среди возможных решений — обучение ИИ на данных, полученных из физических климатических моделей, чтобы расширить спектр редких событий. Другой путь — гибридные системы, где машинное обучение дополняет, но не заменяет физическую основу прогноза.

Сравнение прогнозов ИИ и классических моделей

Прогнозы ИИ выигрывают по скорости и ресурсоэффективности, особенно в стандартных погодных ситуациях. Классические модели уступают в быстродействии, но обеспечивают более надёжные оценки при экстремальных условиях. В результате всё чаще используется параллельный подход, когда оба типа прогнозов анализируются одновременно.