Az AI öt nappal korábban jelezte a dubaji szélsőséges esőt
Három AI időjárási modell öt nappal korábban jelezte egy 2024-es, rendkívüli dubaji esőzés helyét és időzítését, noha az esemény intenzitására nem volt példa a modellek tanítóadataiban. A Science Advances folyóiratban megjelent tanulmány szerint a rendszerek hasonló események globális mintáiból tanulhattak.
- Három AI-modell öt nappal korábban jelezte a 2024-es dubaji esőzés helyét és időzítését.
- A csapadék csúcsértéke kétszerese volt a tanítóadatok legmagasabb regionális értékének.
- Két modell a csapadék mennyiségét is viszonylag pontosan becsülte.
- A legerősebb globális csapadékeseményeket mindhárom modell jelentősen alábecsülte.
- A kutatók szerint az AI és a fizikai modellezés kombinációja javíthatja a hiányosságokat.
A modellek egy példátlan eseményt is jeleztek
A szélsőséges esőzések súlyos emberi és anyagi károkat okozhatnak, előrejelzésük pedig a hagyományos időjárási modellek számára is nehéz. A Chicagói Egyetem kutatói három AI-modellt vizsgáltak egy 2024 áprilisában Dubajban bekövetkezett rendkívüli esőzésen.
Az eseményhez becslések szerint 3 milliárd dollárnyi biztosítási kár és öt bejelentett haláleset kapcsolódott. A csapadék csúcsértéke kétszerese volt annak a legmagasabb regionális csapadékmennyiségnek, amely a vizsgált modellek tanítóadataiban szerepelt.
Ennek ellenére mindhárom rendszer öt nappal korábban előre jelezte az esemény időzítését és helyét. Két modell a csapadék mennyiségét is viszonylag pontosan becsülte, a harmadik azonban jelentősen alulbecsülte azt.
Más régiók eseményeiből tanulhattak
A kutatók az ilyen, fizikailag lehetséges, de a rendelkezésre álló történelmi adatokban nem szereplő időjárási eseményeket „szürke hattyú” eseményeknek nevezik. Mivel ezek az esetek az AI-modellek tanítóadataiból is hiányoznak, a rendszereknek a korábbi minták felismerésén túl általánosítaniuk kell.
Y. Qiang Sun, a tanulmány egyik szerzője szerint a kutatók azt akarták megérteni, hogy a sikeres modell helyi, gyengébb eseményekből következtetett-e, vagy más régiók hasonlóan erős eseményeit használta fel. Az elemzés arra utal, hogy a modell globális információkat is figyelembe vett.
Pedram Hassanzadeh, a kutatás társszerzője ezt „transzlokációnak” nevezi. Ez különbözik az extrapolációtól, mivel a modell más térségek hasonló eseményeiből is merít, amikor elkészíti az előrejelzést.
A legerősebb eseményeket továbbra is alábecsülik
A kutatók az északi félteke szélsőséges időjárási eseményeit is megvizsgálták. Mindhárom AI-modell jelentősen alábecsülte a legerősebb globális szélsőséges csapadékeseményeket, noha ezekhez hasonló események szerepeltek a tanítóadatokban.
A tanulmány szerint a hibák egyik oka lehet a spektrális torzítás. A neurális hálózatok könnyebben tanulják meg a nagy léptékű jellemzőket, a kisebb léptékű részletekkel azonban nehezebben boldogulnak. Ez különösen hosszabb előrejelzési időnél elmoshatja a prognózist.
Az AI időjárási modellek rövid és középtávú globális előrejelzésekben már felveszik a versenyt a fizikai alapú modellekkel, miközben gyorsabbak és számításigényük is jelentősen alacsonyabb. A kutatók szerint azonban a rendszerek jelenlegi képessége még nem elég fejlett ahhoz, hogy a legszélsőségesebb eseményeket kellő pontossággal és elegendő előnnyel jelezzék a hasznos riasztásokhoz.
Hassanzadeh szerint „a szélsőséges időjárás, különösen az esőzések esetében nagy szükség van jobb előrejelzésekre és megbízható korai riasztásokra”. A kutatócsoport szerint a hiányosságok kezelésére már léteznek módszerek, köztük egy korábban javasolt, AI és fizikai modellezést ötvöző megközelítés. A tanulmány 2026. október 7-én közölt ismertetése alapján további kutatásokra van szükség az AI-modellek szélsőséges időjárási előrejelzéseinek javításához.
UChicago Data Science Institute: AI Weather Models Can Predict Unprecedented Extreme Events by Learning from Other Regions
