Istraživači poboljšavaju dugoročne vremenske prognoze

Istraživači MIT-a su razvili model strojnog učenja koji uči ispravljati pogreške u postojećim modelima prognoziranjavremena kako bi poboljšao njihov učinak tijekom vremenskog okvira od dva do šest tjedana, uključujući i ekstremne vremenske događaje.

Nova tehnika značajno poboljšava vremensku prognozu dulje od dva tjedna. Istraživači su razvili model strojnog učenja koji uči ispravljati pogreške u postojećim modelima prognoziranja kako bi poboljšao njihov učinak tijekom vremenskog okvira od dva do šest tjedana. Kada se primijeni na model prognoziranja zlatnog standarda, udvostručila se točnost prognoziranja tijekom tog vremenskog okvira, čime je zauzeo prvo mjesto na istaknutom međunarodnom natjecanju u prognoziranju.

U novom radu u časopisu Nature, istraživači opisuju svoj pristup i pokazuju kako on omogućuje prognoze koje prvi put premašuju klimatološke prosjeke između dva i šest tjedana.

Dok drugi sustavi za predviđanje rade jednostavnije ispravljanje pogrešaka, sloj naknadne obrade istraživačkog tima koristi umjetnu inteligenciju kako bi učio iz pogrešaka sustava za predviđanje na temelju povijesnih podataka i mijenjao svoje prognoze. U tom vremenskom rasponu, prognozeri koriste takozvane probabilističke prognoze, gdje je zadana vjerojatnost niza mogućnosti.

Za izgradnju modela, istraživači su koristili MIT Engaging, superračunalni klaster koji hostira MIT-ov Ured za istraživačko računarstvo i podatke, ali rezultirajući model ne zahtijeva superračunalo za rad.

Kako bi testirali svoj model, istraživački tim je prošle godine predao tri modela koji su uključivali sloj naknadne obrade Europskom centru za srednjoročne vremenske prognoze (ECMWF), koji se smatra najboljim centrom za prognoze na svijetu. Svake sezone ECMWF održava natjecanja u prognoziranju između modela.

Podnesak koji je osvojio prvo mjesto kombinirao je ECMWF-ov model prognoziranja s drugim, a zatim je na njega primijenio korekciju naknadne obrade. Taj je pristup udvostručio prediktivnu moć originalnog modela u podsezonskom rasponu. Model je prvi put ponudio poboljšanje u odnosu na oslanjanje na klimatološke prosjeke.

Tim je pokazao da se njihova tehnika može koristiti za poboljšanje prognoza u većini regija diljem svijeta. Također su primijenili svoju tehniku ​​korekcije pristranosti na druge modele i pokazali da je i njih poboljšala, stavljajući čak i slabije modele u rang s prognozama ECMWF-a.