Схватили за вихри: российская нейросеть сделает сверхточными прогнозы штормов в Арктике

Ученые создали нейросеть, которая позволяет точнее предсказывать арктические штормы. Она выявляет ошибки глобальных погодных моделей, которые склонны сглаживать мелкомасштабные вихри и температурные аномалии — ключевые факторы внезапной непогоды. Внедрение разработки может повысить безопасность судоходства на Северном морском пути, а также авиасообщения и добычи ресурсов в регионе. Эксперты, опрошенные «Известиями», подтвердили востребованность решения и отметили, что его можно улучшить, если включить в обучающую выборку данные спутников «Арктика-М» и «Метеор-М», а также специализированные модели океана и ледовой обстановки.

Как нейросеть выявляет экстремальные погодные явления

Российские специалисты создали нейросеть, которая точнее выявляет внезапные и сильные штормы, включая полярные циклоны и новоземельскую бору — одни из наиболее опасных погодных явлений, характерных для арктического региона.

Как пояснили разработчики, в основе программы лежит алгоритм, который «штрафует» глобальные погодные модели за сглаживание мелких вихрей и температурных аномалий — ключевых причин внезапных штормов. Такое усреднение данных — распространенная проблема моделей на основе искусственного интеллекта, из-за которой теряются экстремальные, но важные погодные события. В машинном обучении «штраф» — это математический механизм, который заставляет модель меньше доверять определенным решениям или действиям.

— В Арктике от качества прогнозов зависит безопасность судоходства, авиационного сообщения, добычи ресурсов и других видов деятельности. При этом в регионе мало метеостанций, а глобальные погодные модели зачастую имеют слишком низкое разрешение или выраженные систематические ошибки, — рассказал «Известиям» старший научный сотрудник Института океанологии имени П.П. Ширшова РАН и завлабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий.

Существуют и нейросетевые модели, но они также обучены на массивах данных с низким пространственным разрешением и предрасположены к усреднению данных, поэтому сглаживают мелкие вихри и аномалии температуры, добавил он. Кроме того, систематические температурные ошибки приводят к некорректным прогнозам состояния ледового покрова.

Приняли как метеоданное: «карманная» ИИ-модель предскажет аномалии погоды на месяц вперед

Как искусственный интеллект поможет подготовиться к природным катаклизмам

Чтобы решить эту проблему, была разработана специальная программа BERTUNet, ее особенность заключается в том, что она корректирует крупномасштабные ошибки прогноза, но при этом намеренно сохраняет мелкие вихревые структуры, не сглаживая их, чтобы не терять критически важные локальные аномалии погоды.

В работе приняли участие сотрудники Института океанологии имени П.П. Ширшова РАН, Московского физико-технического института, Сколковского института науки и технологий и Института AIRI.

Как программа уменьшила ошибки глобальных моделей

Как сообщили исследователи, новую нейросеть обучили на нескольких типах данных. С одной стороны, использовался архив ERA5 — крупнейшая в мире база метеорологических данных с разрешением 0,25 градуса (размер ячейки географической сетки, на экваторе она соответствует примерно 28 км × 28 км). С другой стороны, применялась более детализированная модель Weather Research and Forecasting model с шагом 6 км. Дополнительно в обучающую выборку включили измерения спутников и наземных метеостанций на суше и в море. В целом исследование охватило наблюдения в акватории Карского и Баренцева морей за 4,5 года.

— Результаты показали, что исходная ошибка температуры у поверхности в некоторых случаях составляла почти 5 градусов. Новая нейросеть снизила ее до 2,1 градуса. Неточность в указании скорости ветра уменьшилась примерно на 20%. При этом спектральный анализ показал, что энергия мелких атмосферных вихрей в исправленном прогнозе осталась на уровне исходного высокого разрешения, тогда как обычные методы коррекции полностью подавляли эти структуры, — прокомментировал аспирант ИО РАН, инженер-исследователь Центра искусственного интеллекта Сколтеха Виктор Голиков.

По словам ученых, разработка в первую очередь ориентирована на обеспечение безопасности на Северном морском пути. В частности, она позволяет получить более точные прогнозы ветра у поверхности моря, что необходимо для оптимальной проводки судов в сложных ледовых и волновых условиях Арктики.

Как прокомментировали «Известиям» в «Гисметео», Арктика — это белое пятно на карте погоды, поскольку геостационарные спутники не видят выше 70-й параллели, а полярные орбитальные аппараты дают лишь фрагменты.

— Поверхность пестрая — лед, вода, острова, горы. Из-за таяния льдов и испарения температура может быть на 6–8 градусов выше нормы, что компенсируется обвалами холода в Европе и России. Большинство моделей при этом переоценивают содержание льда и недооценивают жидкую воду в атмосфере. А характерные явления — полярные мезоциклоны, бора Новой Земли — требуют от модели высокого разрешения, — уточнил ведущий метеоролог портала Леонид Старков.

Он уточнил, что в настоящее время метеорологи компенсируют недостаток наблюдательных данных с помощью расширения наблюдательной сети и комбинированием источников. Такие гибридные методики используют максимум из всего арсенала — архив ERA5, спутниковые приборы, исследовательские суда и метеостанции на воде и суше. Авторы новой разработки как раз учат нейросеть согласовывать прогноз сразу с несколькими источниками.

По словам эксперта, улучшить BERTUNet можно за счет расширения набора факторов, влияющих на погоду. В частности, важно учитывать параметры морского льда — сплоченность, толщину, возраст и другие характеристики. Также важно подключать данные российских полярных спутников Арктика-М и Метеор-М, внедрять подходы, объединяющие данные разных моделей, включая системы океана и льда, чтобы повысить точность прогнозов.

— Применение машинного обучения в задачах прогнозирования погоды активно развивается. Эти модели могут работать быстрее классических подходов, а также помогают находить сложные зависимости в данных. Предложенное решение ориентировано на применение в арктическом регионе. Однако подобные инструменты могут быть актуальны и для других сфер, поскольку качественный прогноз мелкомасштабных явлений полезен в разных областях человеческой деятельности, — добавил руководитель группы машинного обучения и качества прогнозов в «Яндекс Погоде» Петр Вытовтов.

Что ты глыбишься: «УЗИ» арктических ледяных хребтов сделает судоходство безопаснее

Как «цифровые двойники» замерзших гряд помогут понять их внутреннюю структуру

Хотелось бы видеть развитие разработки по двум направлениям. Во-первых, анализ и улучшение работы модели для случаев сильного ветра, а во-вторых, добавление в модель возможности корректировки прогнозов осадков как одного из наиболее важных показателей, добавил он.