Jelentősen javíthatók a két-hat hetes időjárás-előrejelzések
Az MIT kutatóinak módszere megduplázta egy vezető előrejelzési modell pontosságát a két-hat hetes időtávon. A gépi tanulási rendszer a korábbi előrejelzések hibáiból tanul, és a szélsőséges időjárási események jelzését is javítja.
- A gépi tanulási rendszer a meglévő időjárási modellek hibáit korrigálja.
- A győztes ECMWF megoldás megduplázta az eredeti modell teljesítményét a két-hat hetes időtávon.
- A módszer a hosszú távú éghajlati átlagoknál jobb előrejelzést adott.
- A szélsőséges időjárási események jelzése is statisztikailag jelentősen javult.
- A modell nyílt forráskódú, és nem igényel szuperszámítógépet a futtatáshoz.
A hosszabb távú előrejelzések problémája
A két és hat hét közötti időszakot az időjárás-előrejelzés egyik legnehezebb tartományának tartják. A rövid távú modellek az aktuális légköri állapotokra támaszkodhatnak, hosszabb időtávon pedig lassabban változó éghajlati hatások segíthetik a becslést. A köztes időszak egyikre sem tud teljesen építeni.
Az MIT közleménye szerint a két héten túli előrejelzések hagyományosan megbízhatatlanok, ami szűk mozgásteret hagy az energiavállalatoknak, a gazdálkodóknak és a katasztrófavédelemnek. A cikk példaként a 2021-es texasi téli viharokat említi. A három súlyos vihar után az állam történetének legsúlyosabb energiainfrastruktúra-kiesése következett be, amely legalább 246 ember halálához, valamint élelmiszer-, víz-, fűtés- és áramhiányhoz vezetett.
A rendszer a modellek hibáit tanulja meg kijavítani
A kutatók egy gépi tanulási réteget fejlesztettek, amely történelmi adatok alapján megtanulja, milyen hibákat vét egy meglévő előrejelzési rendszer. Ezután ezeknek a hibáknak a korrigálásával módosítja az új előrejelzéseket. A módszert a kutatók utófeldolgozásnak nevezik.
A rendszer valószínűségi előrejelzésekkel dolgozik, amelyek több lehetséges kimenet esélyét adják meg. A MIT szerint a modell az új előrejelzések és adatok megjelenésével folyamatosan javítja a korrekcióját. A kutatók az MIT Engaging szuperszámítógépes fürtjét használták a modell felépítéséhez, maga a kész modell azonban nem igényel szuperszámítógépet a futtatáshoz.
A csapat három, utófeldolgozási réteget használó modellt nevezett a European Centre for Medium-Range Weather Forecasts, vagyis az ECMWF versenyére. A győztes megoldás az ECMWF előrejelzési modelljét egy másik modellel kombinálta, majd erre alkalmazta a gépi tanulásos korrekciót. A módszer a forrás szerint megduplázta az eredeti modell előrejelzési teljesítményét a két-hat hetes időszakban.
A szélsőséges időjárás jelzésében is javult
A Nature folyóiratban bemutatott eredmények szerint a rendszer a világ legtöbb régiójában javította a szárazföldi előrejelzéseket. Más modellekre alkalmazva is jobb eredményt hozott, és még gyengébb modelleket is az ECMWF előrejelzéseinek szintjére emelt.
A kutatók szerint ez az első alkalom, hogy egy ilyen időtávra készült modell felülmúlta a hosszú távú éghajlati átlagokra támaszkodó becsléseket. A módszer statisztikailag jelentős javulást mutatott az olyan szélsőséges események előrejelzésében is, mint az áradások és a hidegbetörések. Judah Cohen, a tanulmány társszerzője szerint a szélsőséges események társadalmi hatása különösen jelentős lehet.
A modell nyílt forráskódú és alacsony költségű. Kenya meteorológiai szolgálata már érdeklődött a megoldás iránt, hogy az éves monszun előrejelzését és ezáltal a mezőgazdasági terméshozamot javítsa. A rendszer a kutatók szerint segíthet a műtrágyázás időzítésében, a fagyok előtti terményvédelemben, az aszályok elkerülésében, valamint az energiaellátás és a vészhelyzeti tervezés támogatásában.
