Благодаря разработке специалисты смогут раньше оценивать вероятность опасных погодных явлений, включая аномальную жару и сильные осадки.

Современные системы достаточно успешно предсказывают погодные условия на ближайшие одну-две недели. Однако при более длительных расчетах даже небольшие погрешности постепенно накапливаются, снижая достоверность результатов. Особенно сложным считается интервал от двух до шести недель, который метеорологи называют «пустыней предсказуемости».

Решить эту проблему исследователи предложили с помощью вероятностной коррекции ошибок. Вместо самостоятельного моделирования атмосферных процессов алгоритм уточняет уже подготовленные прогнозы. Для этого одна часть системы анализирует результаты расчетов за предыдущие 20 лет, сопоставляет их с реальными наблюдениями и устраняет повторяющиеся отклонения. Другая учитывает недавние погодные условия и многолетние климатические показатели.

Над созданием технологии работали Ханна Гуан из Гарвардского колледжа, Сукайна Муатадид из Университета Торонто, Джуда Коэн из Массачусетского технологического института и Лестер Макки из Microsoft Research вместе с другими специалистами.

Испытания подтвердили эффективность нового подхода. После дополнительной обработки средний показатель качества прогнозов одной из ведущих ИИ-моделей увеличился вдвое. Для гибридной системы, объединяющей физическое моделирование с машинным обучением, улучшение прогнозирования осадков составило 68–98 % в зависимости от рассматриваемого периода.

Отдельное внимание ученые уделили опасным погодным явлениям. При прогнозировании экстремально высоких температур на третью неделю показатель качества вырос на 51 % относительно стандартного метода коррекции Европейского центра среднесрочных прогнозов погоды.

Еще одним преимуществом разработки стала невысокая потребность в вычислительных ресурсах. Для ее использования не требуется суперкомпьютер, а обновление алгоритма происходит ежедневно по мере поступления новых данных. При этом система не устраняет всю неопределенность долгосрочных прогнозов, но помогает извлекать больше полезной информации из существующих моделей.