Dlaczego dokładne prognozowanie pogody nadal jest trudne: kluczowa rola danych w czasie rzeczywistym

Po otwarciu aplikacji prognozującej pogodę cały proces wydaje się prosty: wybierasz lokalizację, ustawiasz godzinę i odczytujesz wynik.

Jednak za tym ekranem kryje się jeden z najtrudniejszych problemów prognozowania, z jakimi mierzy się nauka.

Atmosfera jest trójwymiarowym systemem, który ciągle się zmienia.

Zanim jakikolwiek model będzie mógł przewidzieć, co wydarzy się dalej, musi najpierw odpowiedzieć na zaskakująco złożone pytanie: Co właściwie dzieje się w atmosferze w tym momencie?

Nigdy nie widzimy atmosfery w całości.

Żaden pojedynczy instrument nie zapewnia pełnego obrazu pogody. Radary pogodowe wykrywają cząsteczki opadów. Satelity monitorują zachmurzenie, wilgotność i temperaturę z kosmosu. Stacje naziemne mierzą warunki w poszczególnych lokalizacjach. Balony meteorologiczne i samoloty dostarczają informacji z różnych wysokości.

Każde z tych źródeł charakteryzuje się inną dokładnością, częstotliwością aktualizacji, lukami w pokryciu i błędami pomiaru. Dlatego też, zbudowanie aktualnego obrazu atmosfery przypomina rekonstrukcję przepływu ruchu w całym mieście za pomocą kamer skierowanych w różnych kierunkach, aktualizujących dane w różnym czasie i pozostawiających wiele ulic całkowicie niewidocznymi.

Meteorolodzy nazywają proces łączenia obserwacji z poprzednimi prognozami „asymilacją danych”. Proces ten pozwala uzyskać szacunkową ocenę bieżących warunków pogodowych, zwaną analizą, która stanowi punkt wyjścia dla kolejnej prognozy.

Jak wyjaśnia Europejskie Centrum Prognoz Średnioterminowych (ECMWF), jakość prognozy zależy w decydującym stopniu od dokładności tej analizy. Nawet najlepszy model będzie miał problemy, jeśli jego początkowy obraz będzie niekompletny, niedokładny lub nieaktualny.

Dlaczego aplikacje pogodowe mogą być mylące?

Jedną z powszechnych technik prognozowania krótkoterminowego jest przepływ optyczny. Technika ta analizuje kolejne obrazy radarowe, szacuje ruch opadów, a następnie ekstrapoluje ten ruch na przyszłość. Metoda ta może być skuteczna, gdy pasmo opadów przemieszcza się równomiernie. Problem polega jednak na tym, że burze nie są po prostu statycznymi kształtami przesuwającymi się po mapie; one formują się, nasilają, słabną, dzielą i łączą. Nowa komórka konwekcyjna może pojawić się na obszarze, na którym 20 minut wcześniej nie padało.

Wyobraź sobie burzę zbliżającą się do góry. Prosta ekstrapolacja mogłaby przewidywać, że będzie się ona nadal poruszać z tą samą prędkością. W rzeczywistości jednak ukształtowanie terenu może wpływać na przepływ powietrza, spowalniać system i przyczyniać się do ulewnych deszczy lub gradu. Wyzwaniem jest zatem nie tylko przewidzenie, dokąd przemieszczą się obecne opady; skuteczny model musi również przewidywać, jak zmieni się sam system pogodowy.

Innym problemem jest to, że modele wielkoskalowe dobrze opisują fronty atmosferyczne, układy ciśnienia i cyrkulację atmosferyczną w różnych krajach i na różnych kontynentach. Jednak wiele zdarzeń wpływających na ludzi i firmy ma miejsce na znacznie mniejszą skalę. Na przykład burza może dotknąć jedną część miasta, a inną pozostawić niemal suchą.

Front chmur może drastycznie zmniejszyć moc jednej farmy fotowoltaicznej, jednocześnie przewyższając moc innej, oddalonej o 20 kilometrów. Warunki wietrzne mogą się również znacznie różnić w zależności od poziomu gruntu, dachów budynków i wysokości, na której pracuje dron. Te subtelne wahania są trudne do przewidzenia.

Pogoda jest niezwykle wrażliwa na swój stan początkowy. Nawet niewielkie niepewności dotyczące temperatury, wilgotności czy wiatru mogą się nasilać w miarę jak prognoza będzie się rozszerzać w przyszłość. To właśnie jest prawdziwe znaczenie „efektu motyla”. Nie oznacza to, że pojedynczy wadliwy czujnik automatycznie rujnuje globalną prognozę, ale raczej, że nigdy nie jesteśmy w stanie idealnie zmierzyć atmosfery, a niepewność w jej stanie początkowym rośnie z czasem.

Z tego powodu współczesne systemy prognozowania coraz częściej generują „zespoły”: wiele możliwych prognoz zamiast jednej, rzekomo pewnej odpowiedzi. W wielu przypadkach świadomość 30% prawdopodobieństwa wystąpienia silnej burzy jest bardziej przydatna niż otrzymanie pewnej prognozy, która później okazuje się błędna.

Znaczenie kluczowego czasu

Opóźnienie jest jednym z najrzadziej omawianych źródeł błędów prognozowania. Wyobraź sobie model, który zapewnia doskonałą prognozę na podstawie warunków pogodowych zmierzonych dwie godziny wcześniej. Jeśli burza pojawi się zaledwie 20 minut wcześniej, prognoza ta może stać się praktycznie bezużyteczna, niezależnie od stopnia zaawansowania modelu.

Światowa Organizacja Meteorologiczna definiuje „nowcasting” jako szczegółową prognozę lokalną obejmującą czas od chwili obecnej do najbliższych sześciu godzin. Jednak w zastosowaniach praktycznych nowcasting wykracza poza proste prognozowanie horyzontu. Wymaga ciągłego procesu, który obejmuje gromadzenie nowych obserwacji, weryfikację ich jakości, synchronizację, a następnie uruchomienie modelu i dostarczenie zaktualizowanego wyniku w ciągu kilku minut.

Jednocześnie prognozowanie pogody w czasie rzeczywistym nie oznacza braku opóźnień. Oznacza to raczej, że system stale monitoruje atmosferę i aktualizuje dane na tyle szybko, aby móc wpływać na podejmowane decyzje.

Ma to ogromne znaczenie dla niektórych branż. Konsument decydujący o tym, czy zabrać ze sobą parasol, może tolerować niedokładną prognozę dostawy. Jednak wiele systemów operacyjnych nie jest w stanie tego zrobić. Drony dostawcze muszą wiedzieć, czy ulewny deszcz, lód lub niebezpieczny wiatr utrudnią ich trasę lotu, zanim dotrą do celu. Lotnisko może być zmuszone do dostosowania operacji na pasie startowym w związku z rozwojem burzy w pobliżu.

Operatorzy elektrowni słonecznych muszą przewidywać szybkie przesuwanie się frontów chmur, zanim produkcja nagle spadnie. Platformy logistyczne i mobilne mogą przekierować pojazdy, zanim powodzie lub ulewne deszcze zakłócą sieć drogową.

Ta sama zasada dotyczy aktywności na świeżym powietrzu, służb ratunkowych, rolnictwa i handlu energią. Ci użytkownicy nie potrzebują tylko „jutrzejszej pogody”. Muszą wiedzieć, co się zmienia, gdzie się zmienia i czy jest jeszcze czas na działanie.

Sztuczna inteligencja przyspiesza prognozowanie pogody, ale sama prędkość nie wystarczy.

Modele prognozowania pogody oparte na sztucznej inteligencji mogą generować prognozy szybciej i przy mniejszej mocy obliczeniowej niż wiele tradycyjnych modeli numerycznych. Niektóre z nich osiągnęły już lepsze wyniki niż systemy oparte na fizyce w zakresie pewnych zmiennych i prognozowanych horyzontów czasowych. Jednak sztuczna inteligencja nie eliminuje problemu monitorowania i obserwacji.

Większość globalnych modeli prognozowania opartych na sztucznej inteligencji (AI) nadal zaczyna się od analizy atmosferycznej generowanej przez tradycyjną infrastrukturę numerycznego prognozowania pogody. Jeśli ta analiza jest nieaktualna nawet o kilka godzin, szybkość wnioskowania nie jest w stanie zaktualizować stanu początkowego.

Modele sztucznej inteligencji mogą również niedoszacować skali rzadkich zdarzeń, ponieważ skrajne przykłady są niedoreprezentowane w danych treningowych, a niektóre metody treningowe faworyzują bardziej płynne i statystycznie prawdopodobne wyniki. Najnowsze badania wykazały, że wiodące modele sztucznej inteligencji mogą generować większe błędy niż systemy oparte na fizyce przy przewidywaniu standardowych zjawisk związanych z upałem, zimnem i wiatrem.

Z tego powodu przyszłość raczej nie będzie prostą rywalizacją między sztuczną inteligencją a fizyką. ECMWF, obok tradycyjnego modelu opartego na fizyce, korzysta już z własnego systemu predykcji operacyjnej opartego na sztucznej inteligencji.

Najsilniejsza architektura będzie łączyć modele globalne, częste lokalne obserwacje, prognozy w czasie rzeczywistym oparte na sztucznej inteligencji (nowcasting), ograniczenia fizyczne i probabilistyczne szacunki niepewności.