Kanadában állt üzembe a világ első hibrid időjárási modellje
A technológia lényege, hogy a finom részleteket is számolni képes fizikai modell és az elmúlt években teret nyert adatalapú modellek eredményeit ötvözik.
A meteorológiában az elmúlt években igen jelentős előrelépést hoztak a gépi tanulás alapú (a köznyelvben AI) időjárási modellek. A technológia úttörői, Google (GraphCast), a Huawei (Pangu-Weather) és az NVIDIA (FourCastNet) elsőként készítettek tisztán adatvezérelt időjárási modelleket, melyek az igen számításigényes parciális differenciálszámítást igénylő fizikai egyenletrendszerek helyett az elmúlt évtizedek időjárási mérésein tanulva, azokban mintázatokat keresve képesek középtávú prognózisok elkészítésére.
A tisztán AI-alapú előrejelzéseknek azonban van egy komoly, a hétköznapi prognózisokat korlátozó hátulütője. Amikor egy neurális hálót arra tanítanak, hogy az elmúlt évtizedek globális időjárási adataiból (például az ERA5 adatbázisból) előrejelezze a jövőben várható állapotot, akkor a betanítás során az ún. négyzetes hiba minimalizálására törekednek.
Ennek a következménye, hogy a rendszer a legkisebb tévedési kockázatú, statisztikailag legvalószínűbb megoldást fogja választani. A gyakorlatban ez azt jelenti, hogy egy adott ponton kis eséllyel bekövetkező, nehezebben előrejelezhető, extrémebb események (pl. felhőszakadás egy adott helyszínen) teljesen eltűnnek az előrejelzésből. Még ha helyesen is prognosztizálna egy-egy hevesebb eseményt a modell, ha az térben kissé eltolódik, máris nagyobb lesz a négyzetes hiba, mintha elmaszatolná, átlagolná a kimenetet.
Miért használják mégis akkor az AI modelleket? Az objektív mérések alapján ezek a megoldások 5–10 napos távlatban sokkal pontosabban eltalálják a nagy időjárási rendszerek (ciklonok, anticiklonok) pályáját a hagyományos modelleknél, így — még ha a lokális viharok előrejelzésére korlátozottan alkalmasak is, — az ezeket alapjaiban befolyásoló, hosszabb távon jelentősebb hatású nagytérségi folyamatokat pontosabban becslik, a kistérségű folyamatokat pedig továbbra is a hagyományos fizikai modellekkel jelzik előre.
A két megoldás előnyeit egyesíti az új, hibrid modell.
Ezt a problémát oldotta meg a Kanadai Környezetvédelmi és Klímaváltozási Hivatal (ECCC) azzal, hogy a héten élesítette a világ első olyan hibrid rendszerét, a GDPS-SN (Global Deterministic Prediction System with Spectral Nudging) modellt, ahol a fizikai modellt folyamatosan „nudgeolják”, azaz finoman terelgetik az AI modell számításai felé. Így példaul a fizikai modell által részletesen ábrázolt ciklon pályáját finoman az AI modell által számított pályán tartva mind a nagytérségi helyzetkép, mind a nagyfelbontást igénylő lokális jelenségek helyesen lesznek modellezve.
A hibrid modell két komponenst ötvöz, egyfelől a kanadaiak meglévő globális fizikai modellje, a GEM (Global Environmental Multiscale) kezeli kistérségi folyamatokat, a részletes domborzatot, a felhőképződést és a csapadékfolyamatokat, de a kaotikus légköri folyamatok miatt távoli időtávon hajlamos „félre hordani”. Ezzel szemben a saját fejlesztésű AI-modelljük (a GraphCast-alapú GEML) jobb beválással prognosztizálja a globális, nagytérségi folyamatok irányát napokkal előre, ugyanakkor hiányzik belőle a lokális élesség.
A módszer lényege, hogy a fizikai modell futása közben a nagy skálájú hullámokat (a globális nyomási mezőket, a troposzférikus áramlásokat és a nagytérségi hőmérsékletet) folyamatosan és finoman kényszerítik (nudgeolják) az AI által számított, sokkal pontosabb pályára. Ugyanakkor a kis skálájú, lokális folyamatokban a fizikai modell teljesen szabad kezet kap.
Az ECCC mérései szerint az új hibrid rendszer működésbe lépésével jelentős ugrás történt az előrejelzési időtávban:
a hibrid modell 6 napos előrejelzése most pontosan olyan megbízhatóvá vált, mint amilyen a korábbi, tisztán fizikai modell 5 napos prognózisa volt.
Ez a meteorológiában hatalmas, generációs ugrásnak számít, hiszen korábban 1–1 napos nyereséget csak évtizedes fejlesztésekkel és többszáz millió dolláros szuperszámítógépekkel lehetett elérni.
Mit jelent ez nekünk, és hogyan tovább?
Bár a GDPS egy kanadai fejlesztésű globális modell, az új hibrid technológia az egész világ, így Európa és Magyarország időjárásának előrejelzését is javítja, hiszen a globális áramlások pontosabb leírása közvetlenül kihat a kontinensünkre érkező frontok mozgására is. Ráadásul a kanadaiak már dolgoznak a rendszer kiterjesztésén: a tervek szerint a következő években a regionális, kilométeres felbontású modelleket és a valószínűségi (ensemble) rendszereket is hibridizálják.
A hibrid modellekkel az Európai Középtávű Előrejelzések Központjában (ECMWF) is zajlik kísérletezés, ahol a világelső ECMWF IFS fizikai modellt ötvöznék a szintén világelső AIFS adatalapú modellel – erről a tavaly nyári hírlevelükben írtak részletesen. A technológiai versenyben most a kanadaiak szerezték meg az elsőként operatív üzembe állítónak járó elismerést, de várhatóan a következő években más előrejelző központok is bejelentik majd hasonló megoldásukat.
