Что такое погода и как важно её прогнозировать – известно и понятно всем из повседневного жизненного опыта. С точки зрения науки «прогнозирование погоды» – это определение (расчёт) будущего состояния очень сложной физической системы, климатической системы Земли, неплохо изученной к настоящему времени.

Достижения интеллекта человека также понятны из истории развития человеческого общества, восхождения к цивилизации «человека разумного». Что естественный интеллект дал для прогнозирования погоды? Разум человека позволил понять основные физические процессы в природной среде (атмосфера, океан и др.); придумать математические модели атмосферы, океана и земной системы в целом; разработать суперкомпьютеры, спутники, измерительные приборы, телекоммуникации; объединить все это в сложнейшие технологии прогнозирования погоды. Эти достижения были обеспечены творческими, познавательными функциями человеческого разума, на что потребовалось много (сотни) лет.

Для человека, обладающего разумом, естественно желание исследовать и моделировать свои интеллектуальные возможности, хотя бы для частных случаев. В этой связи возникает идея так называемого искусственного интеллекта (ИИ). Технологии, развиваемые в рамках ИИ, могут использоваться также для решения задач прогнозирования погоды. Какие преимуществами и недостатками могут обладать такие технологии?

Применяемые в настоящее время технологии среднесрочного прогнозирования (глобального численного прогноза погоды – ЧПП) основаны на использовании математических моделей атмосферы, в рамках которых на суперкомпьютере решается сложнейшая система уравнений гидротермодинамики атмосферы, представляющих собой математическую запись (в той или иной форме) фундаментальных законов природы, открытых человеком. Понятно, что качество прогнозов зависит, в частности, от совершенства используемой модели атмосферы.

Технология среднесрочного прогнозирования, основанная на технологии ИИ, должна включать искусственную нейронную сеть, для обучения которой могли бы использоваться имеющиеся исторические данные глобальных метеорологических наблюдений. При таком подходе можно выделить два фундаментальных недостатка.

Во-первых, данные метеорологических наблюдений очень неравномерно распределены по территории (океаны, моря, многие территории суши плохо освещены данными наблюдений). Количество пунктов наблюдений, состав и качество наблюдений менялись в предшествующие десятилетия, то есть данные неоднородны. Поэтому данные наблюдательной сети не позволяют качественно обучить ИНС, предназначенной для прогнозирования процессов в сложнейшей физической системе с миллионами степеней свободы (независимых переменных). Во-вторых, такой прямолинейный подход не позволяет использовать знания, содержащиеся в фундаментальных законах природы, формализованные в виде уравнений динамики атмосферы. ИИ вполне может выдавать результаты, противоречащие физическим представлениям.

Ситуация изменилась в связи с разработкой и реализацией в крупнейших метеорологических центрах технологии реанализа, позволяющей на основе использования сопряжённых уравнений динамики атмосферы, по данным имеющихся наблюдений, восстановить состояния атмосферы за предшествующий период с очень высокой детальностью. Технологии реанализа, очень затратные в вычислительном отношении, позволяют формировать большой объём высокодетальных и однородных данных, которые вполне могут использоваться для обучения ИНС. При этом, в процессе реанализа данные наблюдений заменяются (восполняются) данными, которые рассчитываются с использованием уравнений динамики атмосферы, то есть эти результаты не будут противоречить фундаментальным законам природы.

В качестве интересного примера нового подхода к среднесрочному прогнозированию погоды рассмотрим созданную Европейским центром среднесрочных прогнозов погоды (ЕЦСПП) технологию глобального прогнозирования погоды на 10 суток на основе машинного обучения с использованием ИИ весьма сложной архитектуры (технология «GraphCast»). Результаты, полученные с использованием технологии «GraphCast» сравнивались с результатами ЧПП, получаемых с использованием прогностической модели IFS ЕЦСПП. Исследования, в частности, показали, что технология «GraphCast» прогнозирует геопотенциал 500 гПа (с заблаговременностью 1–10 суток) в среднем на 7–10% точнее, чем классическая модель IFS ЕЦСПП. Исследования также показали целесообразность регулярного обучения ИНС на более свежих данных.

Таким образом, можно сделать заключение не о противопоставлении классических (физико-математических, статистических, синоптических) направлений исследований и методов машинного обучения, а об уместном сочетании этих подходов в задачах развития метеорологического прогнозирования.