Nature: Вероятностное прогнозирование погоды с помощью машинного обучения
Прогнозы погоды принципиально неопределённы, поэтому прогнозирование диапазона вероятных погодных сценариев имеет решающее значение для принятия важных решений, от предупреждения общественности об опасных погодных условиях до планирования использования возобновляемых источников энергии. Традиционно прогнозы погоды основывались на численном прогнозе погоды, который опирается на моделирование физических процессов в атмосфере. Недавние достижения в области прогнозирования погоды на основе машинного обучения позволили создать модели с меньшей ошибкой прогноза, чем при моделировании с помощью численного прогноза погоды. Однако эти достижения были сосредоточены в основном на отдельных детерминированных прогнозах, которые не отражают неопределённость и не оценивают риск. В целом, прогнозирование погоды на основе машинного обучения остаётся менее точным и надёжным, чем современные ансамблевые результаты численного прогноза погоды. Здесь авторы представляют GenCast, вероятностную модель погоды с лучшим качеством и большей скоростью, чем лучший оперативный среднесрочный прогноз погоды в мире, ENS, ансамблевый прогноз Европейского центра среднесрочных прогнозов погоды. GenCast — это метод прогнозирования погоды на основе машинного обучения, основанный на десятилетних данных реанализа. GenCast генерирует ансамбль стохастических 15-дневных глобальных прогнозов с шагом 12 часов и разрешением по широте-долготе 0,25° для более чем 80 поверхностных и атмосферных переменных за 8 минут. Он обладает большей точностью, чем ENS, по 97,2% из 1320 целей, которые были подвергнуты оценке, и лучше предсказывает экстремальную погоду, пути тропических циклонов и производство ветровой энергии. Эта работа помогает открыть следующую главу в оперативном прогнозировании погоды, в которой важные решения, зависящие от погоды, принимаются точнее и эффективнее.
