Машинно обучение прави прогнозите за времето от две до шест седмици по-полезни

Нощ на учените 2026 · онлайн

Дигитални ресурси

Всички ресурси
Броеве за четене онлайнСпецброеве за изкуствения интелект и за атома, брой 200 на „Българска наука“ и вестник „Homo Sciens“.Разгледай броевете 17 нови филма за български учениОт Стамен Григоров и бактерията на киселото мляко до генетика Дончо Костов.Гледай видеата 30 години „Мария Склодовска-Кюри“ на една картаВсички проекти по програмата от 1996 до 2026 г. – и кой с кого работи.Отвори картата Архив от минали НощиФилми, лекции и броеве от Нощите на учените 2019–2023.Към архива

 

Между надеждната прогноза за следващите дни и сезонната прогноза за следващите месеци има неудобна празнина. Периодът от две до шест седмици често е наричан „пустиня на предсказуемостта“: началното състояние на атмосферата вече не е достатъчно, за да се проследи всяка подробност, а бавните климатични влияния още не дават ясен сигнал. Нов метод с машинно обучение показва, че поне част от грешките в този интервал са систематични — и следователно могат да бъдат коригирани.

Разработката е описана в рецензирана статия в Nature, а международният екип включва изследователи от Microsoft Research, Университета на Торонто, MIT, Харвард, бразилския Институт за чиста и приложна математика и Европейския център за средносрочни прогнози на времето (ECMWF). Методът се нарича probabilistic bias correction, или вероятностна корекция на систематичните отклонения.

Той не заменя метеорологичния модел и не се опитва да предскаже времето от нулата, а работи като допълнителен слой върху вече произведена ансамблова прогноза. Ансамбълът е набор от много изчисления с малко различни начални условия; резултатът не е едно категорично твърдение, а вероятностно разпределение на възможните температури, валежи и атмосферно налягане.

Новата система се учи от историческите прогнози на даден модел и от реално наблюдаваното след тях време. Един компонент, Debias++, търси корекции, специфични за мястото, датата и частта от вероятностното разпределение. Друг, Persistence++, добавя информация от скорошните наблюдения и сезонната климатология. След това корекциите се обединяват във валидна вероятностна прогноза. Това е важно, защото обикновеното придвижване към средната стойност може да изглади именно редките крайности, които са най-важни за подготовката при бедствия.

Авторите оценяват средната температура на два метра над сушата, общите валежи над сушата и средното налягане на морското равнище. Те разглеждат третата седмица — дни 19–25 — и четвъртата седмица — дни 26–32, върху глобална решетка. За сравнение използват климатологията, тоест вероятностите, очаквани от дългогодишните средни стойности за сезона, както и водещи динамични, изкуствено-интелигентни и хибридни модели.

В реалновремево състезание на ECMWF комбинация от прогностични модели и новата корекция заема първо място. При прилагане върху изкуствено-интелигентната система AIFS-SUBS на ECMWF средният показател за умение на прогнозата през тестовата 2025 г. се удвоява. Когато корекцията е добавена към вече подобрен хибриден модел, печалбите зависят от променливата: за валежите са отчетени 68–98%, за налягането 15–23%, а за температурата 5–7% спрямо съответните изходни оценки. Това са относителни подобрения на статистически показатели, а не обещание за двойно по-точна прогноза за всяко място и всеки ден.

Особено ценен е резултатът за екстремното време. Според изследването методът подобрява статистически значимо прогнозите и за крайни събития, вместо да ги притъпява. По-дългото предупреждение би могло да помогне на земеделци да планират торене и защита от студ, на енергийни оператори да подготвят доставки, а на аварийни служби да разпределят ресурси. Метеорологичната служба на Кения вече е проявила интерес към използване на подхода за прогнозиране на мусоните, съобщават от MIT.

Системата е с отворен код и според авторите е сравнително евтина за изпълнение след обучението. Това я прави потенциално полезна и за служби, които не могат да поддържат най-големите суперкомпютърни модели. Същевременно тя зависи от качеството и обхвата на изходната прогноза и на историческите наблюдения. Машинното обучение не отменя хаотичността на атмосферата и не превръща прогнозата за четвъртата седмица в точна прогноза за конкретен следобед.

Най-точното заключение е по-скромно, но важно: част от грешките на дългосрочните метеорологични модели се повтарят по начин, който алгоритъмът може да научи. Ако резултатите се потвърдят в последваща оперативна употреба и в различни региони, „пустинята“ между краткосрочното време и сезонния климат може да стане по-малко празна — не с абсолютна сигурност, а с по-добре калибрирани вероятности.

 

Източници

Живейте по-добре с наука!

  • Развийте критично мислене и изградете защита срещу дезинформация.

  • Придобийте ключови умения за по-добър живот с нашите курсове във формат текст, видео и аудио.

  • Открийте новостите и иновациите в медицината.

  • Само 3 минути дневно са достатъчни, за да трансформирате живота си!

  • Всеки месец ви очаква нов брой с увлекателни статии по биология, космос, технологии, история, медицина и много други.

Изживейте науката навсякъде и по всяко време, като я четете на най-удобното за вас устройство.

 
Годишен абонамент
ВИЖ ПОВЕЧЕ
  • Безкрайно знание - списание, видеа, аудио, книги и т.н.
  • Достъп от всякъде
  • Социална мрежа за знание с хора като вас.

Създадохме платформа, която предлага курсове и ръководства, насочени към решаването на житейски предизвикателства чрез научно обосновани методи. Тя не само подпомага личностното развитие, но и предоставя ценни знания за водене на по-здравословен, успешен и пълноценен живот. Благодарение на научния подход, потребителите ще имат възможност да подобрят своето благосъстояние и да постигнат по-високо качество на живот.

БГ Наука
Powered by  GDPR Cookie Compliance (opens in a new tab)
Правила на поверителност

Използваме „бисквитки“, за да персонализираме съдържанието и рекламите, да предоставяме функции на социални медии и да анализираме трафика си. Също така споделяме информация за начина, по който използвате сайта ни, с партньорските си социални медии, рекламните си партньори и партньори за анализ.

Можете да коригирате всички настройки на „бисквитките“, като отворите разделите вляво.