По-опростените модели на изкуствен интелект превъзхождат дълбокото обучение при прогнозирането на времето

Изследователи от Масачузетския технологичен институт показаха, че традиционните физични модели често превъзхождат най-съвременните модели за дълбоко обучение при прогнозиране на температурните промени. ИИ обаче показва предимства при прогнозирането на локалните валежи. В изследването се подчертава необходимостта от хибриден подход и разработване на по-точни методи за оценка на климатичните прогнози.

Климатът на Земята е изключително сложна система и прогнозирането на неговите промени е важно за разработването на стратегии за емисиите на парникови газове. Настоящите климатични модели отчитат физичните закони, но изпълнението им на суперкомпютрите може да отнеме седмици. За да ускорят процеса, учените използват климатични емулатори – опростени модели, които могат бързо да оценят въздействието на различните сценарии за развитие на емисиите по отношение на температурата и валежите.

Изследователите от MIT провериха кой подход е по-подходящ за създаване на емулатори на климата – традиционният метод за линейно мащабиране на моделите (LPS) или съвременните модели за дълбоко обучение. Анализът показа, че LPS по-често дава по-точни прогнози за регионалните температури и като цяло е по-надежден за повечето параметри. Това е изненада за учените: те предполагаха, че усъвършенстваният модел с дълбоко обучение би трябвало да се справя по-добре с прогнозирането на местните валежи, тъй като тяхната динамика не се описва чрез прости линейни закони.

Когато моделите били тествани върху реални климатични данни, силните природни колебания, като например Ел Ниньо и Ла Ниня, можели да изкривят резултатите. Моделите с дълбоко обучение са били по-зле приспособени да се справят с подобна непредсказуемост и са показали по-ниска точност. На този фон LPS методът е изглеждал по-надежден, тъй като е осреднявал колебанията и по този начин е изглаждал шума в данните.

За по-правилна оценка екипът на MIT е подобрил метода за сравнителен анализ, така че да отчита естествената променливост на климата. В новия тест моделите с дълбоко обучение се представиха по-добре за локалните прогнози за валежите, но LPS остана по-точен за прогнозите за температурите.

След като получиха тези резултати, учените интегрираха LPS в платформата за моделиране на климата, за да могат бързо да прогнозират местните температурни промени при определени сценарии за различните емисии. Въпреки това те подчертават, че LPS не е идеален: той не предвижда достатъчно добре екстремните метеорологични явления и променливостта на климата.

Изследователите подчертават, че са необходими по-добри методи за сравнителен анализ, за да се изберат оптималните инструменти за моделиране на климата. Това ще позволи да се направи по-точна оценка на силните и слабите страни както на по-опростените физически подходи, така и на сложните модели с машинно обучение. Това не само ще помогне на изследователите да проучат трудните въпроси като въздействието на аерозолите и екстремните валежи, но и ще предостави на властите по-надеждна информация за вземане на решения, свързани с климатичната програма.