Přejít na hlavní obsah
AKTUALITA: Převážně více oblačnosti a na východě velmi teplo

Umělá inteligence se prosazuje v předpovídání počasí, tradiční numerické modely ale zatím nenahradí

Umělá inteligence – téma, které se v posledních letech skloňuje stále častěji. Výjimkou není ani meteorologie, kde si razí cestu i na poli předpovídání počasí. V současnosti vyvolala nemalý mediální rozruch metoda GraphCast založená na strojovém učení, při kterém vychází z reanalyzovaných (archivních) dat. Výsledky jsou někdy interpretovány jako zlom v předpovídání počasí a nástup nové technologie vzniku prognóz. Jaké jsou ale vlastně možnosti a limity umělé inteligence a může plně nahradit klasické předpovědní modely počasí?

Je vhodné připomenout, že (klasické) numerické předpovědní modely počasí fungují na základě fyzikálních rovnic, které popisují chování atmosféry. Tyto rovnice se řeší pomocí superpočítačů (neboť řešení zmíněných rovnic je možné pouze prostřednictvím výpočetně náročných numerických metod), kdy se na základě znalosti aktuálního stavu počasí spočte stav počasí budoucího. Globálně jedním z nejlepších dostupných předpovědních modelů je například Integrated Forecast System (IFS). Je provozován v Evropském centru pro střednědobé předpovědi (ECMWF), jehož je Česko přidruženým členem.

AI - porovnání
Srovnání velikosti chyby v předpovědi dráhy tropické cyklóny, zdroj: science.org

Modely předpovědí založené na umělé inteligenci (AI) fungují úplně jinak. Nepočítají fyzikální rovnice, ale vycházejí z tzv. „strojovém učení“, kdy se model pomocí naprogramované neuronové sítě učí vývoj počasí z historických povětrnostních podmínek. Modely AI vyžadují výrazně kratší výpočetní čas než numerické modely počasí – místo několika hodin jim trvá řádově minutu, než vytvoří 10denní předpověď, a navíc můžou běžet i na klasickém počítači (dodejme, že dlouho trvá vytvořit jen samotný model, resp. naučit ho na historických datech). Což zní velice lákavě, otázka ale je, jak je to s kvalitou předpovědi.

V minulý týden zveřejněné studii byla testována metoda GraphCast, vyvinutá společností Google DeepMind. K trénování systému byla použita data z databáze ECMWF, a to za období 1979 až 2017. Při srovnání výstupů GraphCastu s HRES (High RESolution), tedy hlavním během modelu systému IFS, byl GraphCast ve většině případů lepší než HRES – pro 10denní předpověď šlo o přesnější prognózu větru, teploty a tlaku vzduchu v různých hladinách v 90 procentech případů. GraphCast fungoval lépe taky při předpovídání extrémních povětrnostních situacích, jako jsou vlny veder, hurikány nebo atmosférické řeky, i když pro ně nebyl speciálně trénován. To vypadá jako velmi dobré skóre, které bylo taky mediálně prezentováno. Je ale nutné zdůraznit několik bodů, které situaci poněkud upřesní.

Jedna rovina se týká rozlišení modelu – zatímco HRES ho má 8x8 km, GraphCast disponuje mřížkou přibližně 28x28 km. Modely byly porovnávány na hrubší mřížce GraphCast, což znamená, že jemnější jevy, jako jsou bouřky, mlhy nebo rozměrově menší variace počasí nelze správně zachytit a z porovnání vypadly. Zde tedy oproti klasickým regionálním předpovědním modelům, jako je český ALADIN nebo německý ICON-D2 s rozlišením přes 2 km, nepřináší AI modely nic nového. Je ale pravda, že by mohly být provozovány i s vyšším rozlišením.

S různými scénáři vývoje AI zatím neumí počítat
Pro střednědobé předpovědi, tedy pro delší období, než počítají regionální modely, narůstá obecně nejistota předpovědí, s čímž se meteorologové vypořádávají pomocí tzv. ansámblů, tedy souboru předpovědí (model IFS jich má 50). Ty vycházejí z lehce pozměněných počátečních podmínek, čímž se snažíme vypořádat s chaotičností atmosféry – nepatrné odchylky v počátečních podmínkách totiž mohou vést k významným rozdílům v průběhu času. Přestože GraphCast funguje lépe než kterýkoli z těchto jednotlivých běhů, zůstává horší, než je ansámblový průměr. Navíc pomocí zmíněného souboru předpovědí je možné vyhodnotit nejistotu dané povětrnostní situace a její předvídatelnost, což GraphCast nedokáže. Na rozdíl od klasické numerické předpovědi počasí rostou rozdíly v souboru generovaným AI příliš pomalu. Přestože jsou tedy modely umělé inteligence vynikající v rozpoznávání vzorů a chování systémů, nedokážou reprodukovat základní chaotický princip předpovědi počasí, známý také jako „motýlí efekt“.

Modely AI (kromě GraphCastu jsou k dispozici i PanguWeather od Huawei, FourCastNet od NVIDIA a taky AIFS od EMCWF) představují jistý milník v moderní předpovědi počasí. Ušetří značné množství výpočetního času a tím i nákladů. Dalším krokem by mohlo být propojení modelů AI s tradičními modely. Vznikat budou například jejich častější aktualizace (jednou za pár hodin proběhne tradiční model, který bude v reálném čase neustále zpřesňovat AI model). V tuto chvílí tak lze konstatovat, že modely umělé inteligence nenahradí tradiční numerické předpovědi počasí ani meteorologa, ale lze je spíše považovat za doplňkový, ale zato velmi dobrý nástroj, s nímž může meteorolog zdokonalit svou práci.

Předpověď
Srovnání předpovědi teploty ve 2 metrech a rychlosti větru v 10 metrech pro neděli 26. 11. 2023 ve 2 hodiny v noci našeho času – nahoře GraphCast, dole HRES - model HRES očekává mírně výraznější ochlazení (s teplotami kolem -2 °C) a o něco silnější vítr oproti modelu GraphCast (ten čeká teplotu kolem 2 °C), zdroj: charts.ecmwf.int
Encyklopedie

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.