Почему даже нейросеть не может точно предсказывать погоду?

Можно с точностью до долей секунды предсказать солнечное затмение, которое произойдет через тысячу лет, а узнать наверняка, выглянет ли солнце послезавтра из-за туч, получается не всегда. Хотя качество метеопрогнозов все время растет. Делать их лучше сегодня синоптикам помогают машинное обучение и нейросети. Но даже они не дают идеального результата. Сириус. Журнал расскажет почему.

Погодой мы называем состояние атмосферы в определенное время в конкретном месте. На ее изменчивость влияют такие глобальные факторы, как неравномерное распределение материков и океанов по поверхности планеты, а также вращение Земли вокруг своей оси и Солнца.

Мировой океан — это фактически гигантская солнечная панель, которая поглощает и сохраняет большую часть поступающего с ультрафиолетовыми лучами тепла и помогает распределять его по всему земному шару, оказывая влияние даже на отдаленные от побережья уголки суши. Самый яркий пример — морское течение Гольфстрим, которое прогревает воздух над водой и воздействует на атмосферное давление. Фактически оно формирует климат Европы. А погода зависит в том числе от климата.

Определяют погоду и циклоны с антициклонами — это области пониженного и повышенного давления соответственно. С первыми приходят дожди летом и снег зимой. Со вторыми становится сухо — летом жарче, а зимой холоднее. Поэтому если барометр показывает низкое давление, то можно ожидать осадков, а если высокое, то, скорее всего, будет ясно.

На появление циклонов и антициклонов влияет сила Кориолиса — это когда вращение Земли вызывает отклонение любого движущегося тела вправо в Северном полушарии и влево в Южном. Поэтому выше экватора вращение воздушных масс в циклонах происходит против часовой стрелки, а в антициклонах — по ней. В Южном полушарии — наоборот.

Люди учились предсказывать погоду с древних времен. Это умение было важной частью выживания в дикой природе. Примитивные прогнозы делали по поведению животных, например. Но метеорология как отдельный вид науки начала формироваться после Возрождения.

В первой половине XVII века тосканский герцог Фердинанд II велел построить фонтан. Вода там не желала подниматься выше 10,3 метра. Тогда считалось, что у воздуха нет веса, поэтому рабочие были озадачены. Властитель призвал к себе уже престарелого Галилео Галилея, а тот поручил решить задачу своим ученикам Эванджелисто Торичелли и Винченцо Вивиани. Через пять лет, в 1643 году, уже после смерти учителя, они сумели доказать существование атмосферного давления, которое и не давало воде подняться выше определенной отметки. Созданный итальянцами ртутный барометр положил начало научной метеорологии.

Следующий важный шаг в деле прогнозирования погоды сделал британский контр-адмирал Роберт Фицрой. В середине позапрошлого века он возглавлял Департамент метеорологии Лондонского королевского общества по развитию знаний о природе. Его новаторство заключалось в том, что в 1850-х он начал с помощью недавно изобретенного телеграфа Морзе собирать данные с барометров, расположенных в разных местах, наносить их на карту и предсказывать погоду на море. В следующем десятилетии первый прогноз погоды напечатала лондонская газета The Times. Это произошло, по разным данным, 1 августа 1860 или 1861 года.

Примерно век спустя был сделан первый математический прогноз погоды. Его для ВМС США в 1950 году выполнила ЭВМ Electronic Integrator and Computer. Программа была основана на формуле, которую еще в 1922 году вывел английский метеоролог Льюис Фрай Ричардсон. Американцы же в 1960 году запустили на орбиту первый метеоспутник TIROS 1. Так люди начали получать информацию о формировании циклонов и антициклонов с орбиты, и прогнозы стали еще точнее.

Машинное обучение для метеопрогноза впервые стали использовать в 2015 году, когда российская компания «Яндекс» представила технологию Meteum. Сегодня это один из самых точных синоптических инструментов.

«Чтобы предсказать погоду, нам надо узнать, какие сейчас в каждой точке на планете температура, давление, влажность и ветер. Для этого атмосферу Земли разбивают на ячейки (см. рис. 1. — Прим. ред.) , а затем решают так называемые примитивные уравнения (см. рис. 2 ниже. — Прим. ред.) . В аналитическом виде они не решаются — нужно использовать приближения, задавая их в компьютер. Я называю этот процесс магией прогноза», — говорит руководитель «Яндекс. Погоды» Александр Ганьшин, чья технология и легла в основу сервиса.

Синоптики собирают данные с космических спутников, воздушных радиозондов (летают на высоте до 20 км) , самолетов (аппаратуру устанавливают на коммерческих лайнерах) , метеостанций, метеобуев и метеорадаров. На их основе в больших метеорологических центрах создают численные модели и применяют их для прогнозирования погоды.

«Существующие модели ошибаются, поэтому люди и ругают синоптиков. Мы не можем абсолютно точно узнать погоду в каждой точке Земли. Из-за неточных данных уравнения решаются в приближенном виде. С каждым шагом ошибки накапливаются как снежный ком, поэтому чем дальше точка предсказания по времени, тем менее точным становится прогноз», — поясняет Александр Ганьшин.

Кроме того, в моделях обычно сглаживается рельеф, что критично, например, для гор. Происходит и усреднение данных по пространству и времени.

Для технологии Meteum данные получают от четырех глобальных моделей, созданных в European Centre for Medium-Range Weather Forecasts (ECMWF) , Global Forecast System (GFS, США) , Canadian Meteorological Center (CMC) и Japan Meteorological Agency (JMA) . Каждая из них ошибается по-своему, поэтому их данные усредняют. К этим показаниям добавляют параметры, которые влияют на погоду (например, высоту солнца над горизонтом, удаленность от водоема, поправку на город или сельскую местность и др.) .

«Мы берем прогноз и смотрим, что такая-то числовая модель предсказала на сегодня +2 °C, а метеостанция показывает +1 °C. Так мы определяем неявные закономерности. Обычно, зная в каких местах конкретная модель ошибается, поправку вносит вручную метеоролог. Но при помощи метода машинного обучения и анализа данных можно изучить большой архив информации о моделях и установить взаимосвязи», — говорит Александр Ганьшин.

Такие закономерности выявляют на основе больших архивов исторической информации, исправляя потом ошибки, заложенные в числовых моделях. Все это позволяет Meteum делать прогноз по всему миру с сеткой всего 2x2 км, то есть с точностью до городского квартала.

Отдельное место в метеорологии — краткосрочный прогноз осадков с шагом в 10 минут. Здесь на помощь синоптикам приходят нейросети, которые предсказывают, как может развиваться ситуация. Знание того, как воздушные массы вели себя раньше (а это, напомним, гигантские объемы архивных данных) , позволяет вполне достоверно проложить их ближайший маршрут движения.

Информацию об осадках собирают с метеорологических станций, радаров и геостационарных спутников — это большие фотокамеры, «висящие» на орбите над экватором. Нейросеть объединяет данные, а для уточнения погоды в конкретных точках обрабатывает сообщения пользователей мобильного приложения. В дождливый день люди присылают «Яндексу» до 3,5 млн сообщений об осадках на местах.

Можно построить карту, основываясь только на сообщениях пользователей. И это правда неплохо работает

«Поэтому с помощью не только профессиональных приборов, но и краудсорсинга, или „силы толпы“, мы делаем прогнозы точнее», — резюмирует Александр Ганьшин.

Выходит, что рецепт идеального прогноза погоды выглядит так: собрать свежие данные с суши, водоемов, воздуха и орбиты, проанализировать архивы метеонаблюдений, собрать информацию от миллионов пользователей мобильного приложения и обучить нейросеть анализировать всю эту информацию. Чтобы точно знать, брать завтра зонт на работу или нет.

Интересно узнавать про новые технологии? Подписывайтесь на наш Telegram-канал!

А еще подобрали для вас материалы по теме:

Почему ChatGPT такой «умный» и что такое prompt engineering?

Что такое нейроискусство? Сможет ли нейросеть заменить художника?