AI modely se výrazně zlepšují, nejen na detaily bouřek ale zatím nestačí
Jsou to už asi dva a půl roku, co AI modely výrazněji vstoupily do mediálního dění, když výstupy metody GraphCast založené na strojovém učení poprvé překonaly tehdy operativně používaný systémHRES (High RESolution) Evropské předpovědního centra pro střednědobou předpověď. Šlo ale o metodu s podstatně hrubším rozlišením, takže jemnější rysy cirkulace a počasí, jako jsou například mlhy nebo bouřky, nebylo možné zachytit. Od té doby nicméně modely a metody předpovědí založené na strojovém učení (ML), často označované taky jako datově založené modely (neboť právě dostatečně dlouhé řady s hustým prostorovým rozlišením jsou zásadní k „učení“ daného modelu) prodělaly značný pokrok. Jinými slovy, už nejsou experimentální záležitostí, ale nástrojem používaným paralelně s klasickými předpovědními modely, i když stále s určitými limity a omezeními. Přesto se právě na tento typ modelů všechna velká předpovědní centra intenzivně zaměřila a lze čekat další posun.
Připomeňme, že modely předpovědí založené na metodách umělé inteligence (AI) se pomocí naprogramované neuronové sítě učí vývoj počasí z historických povětrnostních podmínek. Moderní AI modely využívají pokročilé architektury, jako jsou grafové neuronové sítě nebo tzv. transformery (jsou schopny například paralelního zpracování dat, což umožňuje trénovat modely na obrovském množství dat mnohem rychleji). Ty umožňují efektivně zachytit jak lokální interakce (např. horizontální proudění), tak globální dálkové vazby v atmosféře. Významným rysem těchto modelů je jejich schopnost implicitně reprezentovat fyzikální procesy – nikoli však na základě rovnic, ale na základě naučených statistických vztahů.
Klasické předpovědní modely mají jednu zásadní výhodu – jasně zachovávají fyzikální zákonitosti platné v atmosféře (tedy zachování hmoty, energie a hybnosti). Modely založené na ML tyto zákony explicitně neobsahují. Důsledkem můžou být předpovědi, které jsou lokálně přesné, ale globálně nekonzistentní – například s nerealistickým rozložením vlhkosti nebo s nežádoucím nárůstem či poklesem energie v systému. Na druhou stranu, AI modely nabízejí extrémní výpočetní rychlost, schopnost velmi přesně zachytit typické povětrnostní situace, ale i možnost generovat velké množství budoucích scénářů vývoje za minimální náklady. A to se už projevilo i na operativně provozovaném výpočtu ansámblových předpovědí založených právě na AI přístupu – zatím jsou ale zpravidla počítány s hrubším rozlišením než klasické modely.
Výstup „klasického“ modelu (ECMWF) – 6hodinová předpověď srážek pro minulý čtvrtek. Všimněte si detailů ve struktuře srážkového pole, zdroj: charts.ecmwf.int
Výstup „AI“ modelu (GraphCast ML) – 6hodinová předpověď srážek pro minulý čtvrtek. Detaily ve struktuře srážkového pole jsou shlazenější než na obrázku výše, zdroj: charts.ecmwf.int
V současné době už tedy nejde o přístup ve stylu souboje „AI“ (založené na datech) vs. „klasika“ (založená na fyzice), ale posouváme se do hybridní situace, kdy je snaha využít fyzikální model tam, kde je potřeba robustnost, a AI přístup tam, kde je potřeba rychlost a flexibilita. V praxi dnes vzniká několik typů hybridních řešení, která se postupně zřejmě propojí do jednoho předpovědního komplexu. Jedním z prvních kroků je využití AI k aproximaci výpočetně náročných částí modelu spojených například s oblačnými procesy, turbulencí nebo procesy spojenými s přenosem radiace. Výsledkem bude výrazné zrychlení modelu při zachování fyzikální struktury systému. O využití v ansámblovém přístupu už byla řeč, nicméně v této souvislosti se jeví nadějně výsledky při předpovědích na vzdálenější, několikatýdenní období. Poměrně zásadní je oblast asimilace dat, kdy se AI využívá stále častěji především při zpracování družicových dat a obecně „rekonstrukci“ počátečního stavu atmosféry, který je zásadní pro co nejkvalitnější předpověď.
Ukázka ansámblové předpovědi počítaná metodou "AI" z Evropského centra pro uzlový bod odpovídající Praze, zdroj: charts.ecmwf.int
Nicméně i přes rychlý pokrok vývoje AI modelů zůstávají určité limity, na které je dobré myslet. Zásadním je zejména reprezentace extrémních jevů. Atmosférické veličiny mají obecně silně nesymetrická rozdělení, což ale znamená, že extrémní hodnoty jsou v trénovacích datech relativně vzácné. AI modely, které jsou optimalizovány na průměrnou chybu, mají tendenci tyto extrémy systematicky podhodnocovat a „vyhlazovat“ pole. Tento efekt je dobře známý například u srážek, kde modely často reprodukují realistickou prostorovou strukturu, avšak s nižšími maximy. Z fyzikálního hlediska jde o důsledek toho, že extrémy jsou často spojeny s nelineárními procesy a rychlými přechody mezi situacemi, které jsou obtížně zachytitelné statistickým učením. S tím úzce souvisí problematika podměřítkových procesů, například konvekce.
Tyto procesy jsou ze své podstaty nelineární, silně závislé na lokálních podmínkách a často mají charakter prahových jevů. V tradičních modelech jsou řešeny pomocí speciálních výpočtů, které přímo reprezentují jejich fyzikální podstatu. Naproti tomu ML modely při předpovědi konvekce často kladou důraz na oblasti s teplejším a vlhčím vzduchem v přízemních vrstvách a na regiony, kde se bouřky historicky vyskytují častěji, například nad orografií. Na první pohled se může zdát, že model „identifikuje“ správné oblasti, nicméně hlubší analýza ukazuje, že jde spíše o rozpoznávání statistických vzorců než o reprezentaci fyzikálních mechanismů. Orografie například není interpretována jako zdroj nuceného výstupu, ale jako oblast s historicky vysokou pravděpodobností výskytu konvekce.
Dále platí, že z fyzikálního hlediska je iniciace bouřek typickým prahovým procesem, kdy relativně malá změna v teplotním nebo vlhkostním profilu může vést k překonání tzv. konvektivní inhibice a následnému rychlému rozvoji konvekce. ML modely však aproximují vztah mezi vstupy a výstupy pomocí spojitých funkcí, které mají tendenci tyto prahové efekty „vyhlazovat“. Výsledkem je, že model sice dokáže identifikovat prostředí příznivé pro konvekci, ale hůře zachycuje samotný okamžik jejího spuštění. A příliš mu nejde ani prostorová lokalizace. AI modely mají tendenci rozprostřít vliv jednotlivých vstupních polí do větší oblasti a předpovědi konvekce jsou pak prostorově „rozmazané“ – bouřky se objevují v širší oblasti, než kde ve skutečnosti vzniknou nebo jsou systematicky posunuty. A kromě toho, AI model má tendenci přeceňovat pravděpodobnost bouřek nad horskými oblastmi, a naopak podceňovat jejich vznik v nížinách, kde je iniciace více závislá na prostorově malých a krátkodobých procesech, jako jsou lokální čáry konvergence. Dalším významným omezením je neexistence explicitního fyzikálního propojení mezi vertikálními hladinami, což vede k oslabení schopnosti zachytit vrstvy se sušším vzduchem, inverzí nebo vyvýšenou směšovací vrstvou. Důsledkem je horší předpověď intenzity konvekce i jejího typu, například rozlišení mezi izolovanými buňkami a organizovanými systémy. Tyto nedostatky se navíc nejvýrazněji projevují v situacích, kdy je vliv velkoprostorových synoptických procesů malý (ale právě tyto situace jsou pro střední Evropu typické) a z hlediska operativní meteorologie často nejproblematičtější. Do budoucna lze určitě čekat posun i v této oblasti, nicméně kdy a jak konkrétně to bude vypadat, není v tuto chvíli jednoduché říci.
Panel zobrazuje zleva doprava operativní předpověď kompozitní odrazivosti pro linii bouřek procházejících střední částí USA (6. května 2024), následovanou experimentální předpovědí HRRR-Cast (tedy "AI" model) a analýzou radarových pozorování z dané události, zdroj: research.noaa.gov
Připomeňme, že modely předpovědí založené na metodách umělé inteligence (AI) se pomocí naprogramované neuronové sítě učí vývoj počasí z historických povětrnostních podmínek. Moderní AI modely využívají pokročilé architektury, jako jsou grafové neuronové sítě nebo tzv. transformery (jsou schopny například paralelního zpracování dat, což umožňuje trénovat modely na obrovském množství dat mnohem rychleji). Ty umožňují efektivně zachytit jak lokální interakce (např. horizontální proudění), tak globální dálkové vazby v atmosféře. Významným rysem těchto modelů je jejich schopnost implicitně reprezentovat fyzikální procesy – nikoli však na základě rovnic, ale na základě naučených statistických vztahů.
Klasické předpovědní modely mají jednu zásadní výhodu – jasně zachovávají fyzikální zákonitosti platné v atmosféře (tedy zachování hmoty, energie a hybnosti). Modely založené na ML tyto zákony explicitně neobsahují. Důsledkem můžou být předpovědi, které jsou lokálně přesné, ale globálně nekonzistentní – například s nerealistickým rozložením vlhkosti nebo s nežádoucím nárůstem či poklesem energie v systému. Na druhou stranu, AI modely nabízejí extrémní výpočetní rychlost, schopnost velmi přesně zachytit typické povětrnostní situace, ale i možnost generovat velké množství budoucích scénářů vývoje za minimální náklady. A to se už projevilo i na operativně provozovaném výpočtu ansámblových předpovědí založených právě na AI přístupu – zatím jsou ale zpravidla počítány s hrubším rozlišením než klasické modely.
Výstup „klasického“ modelu (ECMWF) – 6hodinová předpověď srážek pro minulý čtvrtek. Všimněte si detailů ve struktuře srážkového pole, zdroj: charts.ecmwf.int
Výstup „AI“ modelu (GraphCast ML) – 6hodinová předpověď srážek pro minulý čtvrtek. Detaily ve struktuře srážkového pole jsou shlazenější než na obrázku výše, zdroj: charts.ecmwf.int
V současné době už tedy nejde o přístup ve stylu souboje „AI“ (založené na datech) vs. „klasika“ (založená na fyzice), ale posouváme se do hybridní situace, kdy je snaha využít fyzikální model tam, kde je potřeba robustnost, a AI přístup tam, kde je potřeba rychlost a flexibilita. V praxi dnes vzniká několik typů hybridních řešení, která se postupně zřejmě propojí do jednoho předpovědního komplexu. Jedním z prvních kroků je využití AI k aproximaci výpočetně náročných částí modelu spojených například s oblačnými procesy, turbulencí nebo procesy spojenými s přenosem radiace. Výsledkem bude výrazné zrychlení modelu při zachování fyzikální struktury systému. O využití v ansámblovém přístupu už byla řeč, nicméně v této souvislosti se jeví nadějně výsledky při předpovědích na vzdálenější, několikatýdenní období. Poměrně zásadní je oblast asimilace dat, kdy se AI využívá stále častěji především při zpracování družicových dat a obecně „rekonstrukci“ počátečního stavu atmosféry, který je zásadní pro co nejkvalitnější předpověď.
Ukázka ansámblové předpovědi počítaná metodou "AI" z Evropského centra pro uzlový bod odpovídající Praze, zdroj: charts.ecmwf.int
Nicméně i přes rychlý pokrok vývoje AI modelů zůstávají určité limity, na které je dobré myslet. Zásadním je zejména reprezentace extrémních jevů. Atmosférické veličiny mají obecně silně nesymetrická rozdělení, což ale znamená, že extrémní hodnoty jsou v trénovacích datech relativně vzácné. AI modely, které jsou optimalizovány na průměrnou chybu, mají tendenci tyto extrémy systematicky podhodnocovat a „vyhlazovat“ pole. Tento efekt je dobře známý například u srážek, kde modely často reprodukují realistickou prostorovou strukturu, avšak s nižšími maximy. Z fyzikálního hlediska jde o důsledek toho, že extrémy jsou často spojeny s nelineárními procesy a rychlými přechody mezi situacemi, které jsou obtížně zachytitelné statistickým učením. S tím úzce souvisí problematika podměřítkových procesů, například konvekce.
Tyto procesy jsou ze své podstaty nelineární, silně závislé na lokálních podmínkách a často mají charakter prahových jevů. V tradičních modelech jsou řešeny pomocí speciálních výpočtů, které přímo reprezentují jejich fyzikální podstatu. Naproti tomu ML modely při předpovědi konvekce často kladou důraz na oblasti s teplejším a vlhčím vzduchem v přízemních vrstvách a na regiony, kde se bouřky historicky vyskytují častěji, například nad orografií. Na první pohled se může zdát, že model „identifikuje“ správné oblasti, nicméně hlubší analýza ukazuje, že jde spíše o rozpoznávání statistických vzorců než o reprezentaci fyzikálních mechanismů. Orografie například není interpretována jako zdroj nuceného výstupu, ale jako oblast s historicky vysokou pravděpodobností výskytu konvekce.
Dále platí, že z fyzikálního hlediska je iniciace bouřek typickým prahovým procesem, kdy relativně malá změna v teplotním nebo vlhkostním profilu může vést k překonání tzv. konvektivní inhibice a následnému rychlému rozvoji konvekce. ML modely však aproximují vztah mezi vstupy a výstupy pomocí spojitých funkcí, které mají tendenci tyto prahové efekty „vyhlazovat“. Výsledkem je, že model sice dokáže identifikovat prostředí příznivé pro konvekci, ale hůře zachycuje samotný okamžik jejího spuštění. A příliš mu nejde ani prostorová lokalizace. AI modely mají tendenci rozprostřít vliv jednotlivých vstupních polí do větší oblasti a předpovědi konvekce jsou pak prostorově „rozmazané“ – bouřky se objevují v širší oblasti, než kde ve skutečnosti vzniknou nebo jsou systematicky posunuty. A kromě toho, AI model má tendenci přeceňovat pravděpodobnost bouřek nad horskými oblastmi, a naopak podceňovat jejich vznik v nížinách, kde je iniciace více závislá na prostorově malých a krátkodobých procesech, jako jsou lokální čáry konvergence. Dalším významným omezením je neexistence explicitního fyzikálního propojení mezi vertikálními hladinami, což vede k oslabení schopnosti zachytit vrstvy se sušším vzduchem, inverzí nebo vyvýšenou směšovací vrstvou. Důsledkem je horší předpověď intenzity konvekce i jejího typu, například rozlišení mezi izolovanými buňkami a organizovanými systémy. Tyto nedostatky se navíc nejvýrazněji projevují v situacích, kdy je vliv velkoprostorových synoptických procesů malý (ale právě tyto situace jsou pro střední Evropu typické) a z hlediska operativní meteorologie často nejproblematičtější. Do budoucna lze určitě čekat posun i v této oblasti, nicméně kdy a jak konkrétně to bude vypadat, není v tuto chvíli jednoduché říci.
Panel zobrazuje zleva doprava operativní předpověď kompozitní odrazivosti pro linii bouřek procházejících střední částí USA (6. května 2024), následovanou experimentální předpovědí HRRR-Cast (tedy "AI" model) a analýzou radarových pozorování z dané události, zdroj: research.noaa.gov
Encyklopedie počasí
Přečtěte si další články z naší rozsáhlé encyklopedie počasí, která shrnuje poznatky o meteorologii a počasí. Pochopíte řadu základních meteorologických prvků a způsob vytváření předpovědí počasí.
