Прежде чем подходы искусственного интеллекта будут широко внедрены государственными агентствами по прогнозированию, необходимы более строгие испытания.

Улучшения в прогнозировании погоды занимают высокое место среди достижений науки двадцатого века¹. В 1970-х годах произошло четыре тропических циклона, унесших жизни десятков тысяч или даже сотен тысяч людей, тогда как сегодня эти штормы редко приводят к гибели более нескольких десятков человек.

Также в 1970-х годах произошёл поворотный момент, когда метеорологические агентства по всему миру начали внедрять основанные на физике численные модели прогнозирования погоды. Эти модели имитируют атмосферу, используя данные наблюдений со всего мира и подставляя их в уравнения, основанные на фундаментальных законах движения и термодинамики. В результате повысилась точность прогнозов, что позволило своевременно эвакуировать людей и обеспечить адекватную подготовку до начала шторма.

Однако эта хорошо зарекомендовавшая себя система сейчас подвергается изменениям с появлением метеорологических моделей, основанных на искусственном интеллекте, которые обещают ускорить прогнозы. В отличие от традиционных моделей, которые решают сложные физические уравнения шаг за шагом по миллионам точек сетки, модели на основе искусственного интеллекта напрямую сопоставляют текущие погодные условия с вероятным будущим состоянием, используя алгоритмы, обученные на прошлых данных о погоде. Большая часть ресурсоёмких вычислений происходит во время обучения, поэтому создание прогноза на основе искусственного интеллекта в основном включает в себя передачу данных наблюдений через слои простых арифметических операций — таких как умножение и сложение, — которые современные компьютеры могут выполнять быстро.

В результате, глобальный 14-дневный прогноз погоды на основе искусственного интеллекта может быть создан на два часа раньше, чем прогноз, созданный физической системой, — потенциально решающий фактор при организации эвакуации. Это преимущество в скорости может побудить синоптиков полагаться в основном на рекомендации искусственного интеллекта. Но есть загвоздка: пока учёные не знают, насколько надёжны прогнозы на основе искусственного интеллекта в отношении редких, экстремальных погодных явлений.

Прогнозы, основанные на физических принципах, должны оставаться актуальными даже при изменении климата; Системы искусственного интеллекта, напротив, обучаются на исторических данных и могут дать сбой при столкновении с событиями, которые радикально отличаются от всего, что они «видели» ранее.

Установление точности и надёжности моделей на основе искусственного интеллекта становится всё более актуальной задачей, поскольку ряд организаций, включая Европейский центр среднесрочных прогнозов погоды в Рединге, Великобритания, уже начали интегрировать искусственный интеллект в свои оперативные системы прогнозирования. В данной статье авторы обращают внимание на опасения по поводу внедрения искусственного интеллекта в метеорологию и призывают метеорологическое и климатическое сообщество установить чёткие стандарты, начиная с согласованных наборов данных, для объективной проверки прогнозов экстремальных явлений вне обучающей выборки.

Дилемма

Национальные метеорологические службы по всему миру сталкиваются с дилеммой: системы прогнозирования на основе искусственного интеллекта дешевле в эксплуатации, но нет согласованного метода для систематической оценки того, насколько хорошо они работают по сравнению с физическими аналогами.

Исследователям срочно необходим эталонный стандарт для оценки возможностей моделей на основе искусственного интеллекта. В нескольких исследованиях изучалась их производительность применительно к конкретным опасностям. Например, хотя ведущие модели на основе искусственного интеллекта хорошо прогнозируют траектории и, в некоторой степени, интенсивность типичных тропических циклонов, их точность снижается для штормов, не имеющих прецедентов в обучающем наборе данных². Что касается экстремальных температур, некоторые модели на основе искусственного интеллекта и гибридные модели могут в целом воспроизводить частоту и пространственные закономерности исторических волн тепла и холода, которые происходили вне периода, на котором они обучались, хотя и с региональными искажениями³. Однако системы искусственного интеллекта также склонны недооценивать интенсивность и частоту рекордных явлений жары, холода и ветра по сравнению с ведущей моделью, основанной на физических принципах⁴.

В совокупности эти результаты показывают, что выводы о производительности искусственного интеллекта в прогнозировании погоды остаются крайне чувствительными к тому, как определяются экстремальные явления, какие опасности учитываются и где происходят эти экстремальные события. Это подчёркивает необходимость в согласованных, стандартизированных протоколах оценки.

По сути, прежде чем метеорологические агентства внедрят модели на основе искусственного интеллекта, прогностическая способность таких моделей в отношении ряда опасных событий — от аномальной жары и сильных дождей до крупных штормов — должна соответствовать определённому минимальному стандарту. Поэтому авторы предлагают структуру для обучения всех будущих систем искусственного интеллекта, которая намеренно исключает определённый набор «знаковых» экстремальных событий, которые зарезервированы исключительно для тестирования.

Этот протокол переобучения искусственного интеллекта без знаковых событий (AIRWIE) потребует от метеорологического сообщества согласия относительно того, какие события с высоким уровнем воздействия представляют собой строгий эталон, гарантируя, что любая модель будет оцениваться на одних и тех же экстремальных явлениях вне выборки, прежде чем она будет развёрнута в оперативной деятельности государственным агентством прогнозирования.

По сути, прежде чем метеорологические агентства начнут использовать модели на основе искусственного интеллекта в своих целях, необходимо будет обеспечить оценку любой модели на одних и тех же экстремальных явлениях вне выборки.

Стандарты сообщества

Системы прогнозирования на основе искусственного интеллекта обычно обучаются на наборах данных реанализа⁵ — долгосрочных, реконструированных записях погоды за прошлые периоды. Эти наборы данных создаются путём сбора исторических наблюдений со спутников, метеостанций, судов и самолётов и их ввода в современную физическую модель погоды, которая может заполнить пробелы и обеспечить физическую согласованность данных. В результате получается полная, сеточная, почасовая реконструкция атмосферы за последние полвека.

Этот 50-летний период включает в себя несколько знаковых экстремальных событий, таких как ураган Сэнди, обрушившийся на Нью-Йорк в 2012 году после необычного поворота на запад в сторону побережья США, и Великий шторм 1987 года на юге Англии. Последний характеризовался интенсивным локальным порывом разрушительных ветров, известным как «струйный удар», явлением, которое было плохо изучено и которое синоптики тогда упустили из виду.

Метеорологи должны начать создавать глобальную репрезентативную базу данных таких экстремальных событий, возможно, с участием общественности, которая могла бы предлагать примечательные случаи по электронной почте. Определяющим критерием включения будет не то, был ли прогноз события точным или неточным, а то, было ли оно действительно знаковым или рекордным — с точки зрения количества осадков, температуры, скорости ветра или даже необычной траектории шторма или способа его формирования.

Каждое из этих событий должно быть затем удалено из наборов данных реанализа, которые обычно охватывают период с 1979 по 2018 гг., прежде чем эти данные будут использованы для обучения моделей на основе искусственного интеллекта. Действительно, необходимо исключить не только дни, когда событие было наиболее активным, но и период примерно в пять дней вокруг него. Цель состоит в том, чтобы гарантировать, что упрощённый набор данных не будет содержать прямой информации о самом событии, а также об атмосферных условиях, непосредственно предшествовавших или последовавших за ним.

Затем центрам моделирования искусственного интеллекта будет предложено переобучить свои системы на упрощённом наборе данных и попытаться ретроспективно спрогнозировать удалённые экстремальные события. Поскольку переобучение требует значительных вычислительных ресурсов, это будет разовое скоординированное усилие в рамках всего сообщества.

Оценка будет сосредоточена на том, насколько хорошо каждая модель отражает ключевые физические характеристики экстремальных явлений — такие как количество осадков, интенсивность ветра или траектории штормов — и будет сравнивать её эффективность с прогнозами, основанными на физических принципах. Создание достаточно большой выборки с помощью протокола AIRWIE позволит провести более строгую и объективную оценку искусственного интеллекта и традиционных моделей в прогнозировании вневыборочных, но имеющих большое значение погодных явлений.

Этот протокол был представлен Всемирной метеорологической организации на семинаре в октябре 2025 года с призывом к разработке стандартов, основанных на участии сообщества, по справедливому тестированию и сравнению моделей на основе искусственного интеллекта. В эпоху, когда искусственный интеллект может демократизировать доступ к моделированию погоды, крайне важно создать инклюзивный и прозрачный процесс определения обучающих и тестовых наборов данных.

Использование опыта синоптиков для выявления событий, которые они считают знаковыми или экстремальными — как локальными, так и глобальными — имеет решающее значение для укрепления доверия, особенно учитывая нынешнюю неопределённость в отношении того, можно ли сделать работу искусственного интеллекта более прозрачной.

Литература

¹Bauer, P., Thorpe, A. & Brunet, G. Nature 525, 47–55 (2015).
²Sun, Y. Q. et al. Proc. Natl Acad. Sci. USA 122, e2420914122 (2025).
³Meng, Z., Hakim, G. J., Yang, W. & Vecchi, G. J. Preprint at arXiv https://doi.org/10.48550/arXiv.2507.03176 (2025).
⁴Zhang, Z., Fischer, E., Zscheischler, J. & Engelke, S. Preprint at arXiv https://doi.org/10.48550/arXiv.2508.15724 (2025).
⁵Hersbach, H. et al. Q. J. R. Meteorol. Soc. 146, 1999–2049 (2020).

 

Ссылка: https://www.nature.com/articles/d41586-026-00842-z