Egyetlen plusz nap a trópusi viharok elleni védekezésben életeket menthet a meteorológusok szerint. A Google DeepMind WeatherNext mesterséges intelligenciája a vártnál lényegesen gyengébb felbontású adatsorokból is képes pontos hurrikán-előrejelzést adni. A kutatók mérései alapján az algoritmus háromnapos előrejelzései elérik a korábbi modellek kétnapos pontosságát, ami átlagosan 24 órás idősávot nyer a felkészülésre.
A szuperszámítógépes időjárás-előrejelzés hagyományosan komoly elvi fizikai határokba ütközik. A hagyományos numerikus modellek a légköri folyamatokat egy finom rácshálóra osztva, bonyolult fizikai egyenletekkel számítják ki. A számítási kapacitás véges, ezért a szakembereknek eddig választaniuk kellett: vagy a vihar nagy léptékű mozgási irányára fókuszálnak globális adatokból, vagy a ciklon magjában zajló mikrofolyamatokat elemzik nagy felbontású regionális szimulációkkal.
A fizikai egyenleteken túlmutató generatív hálózatok
A Google DeepMind mérnökei szakítottak a kettős modellezési megközelítéssel. A Nature folyóiratban közzétett tanulmányuk szerint a WeatherNext úgy kapcsolja össze a globális szélmintázatokat a viharmag kis léptékű dinamikájával, hogy mindezt egyetlen integrált modellbe sűríti. Az architektúra az úgynevezett Functional Generative Networks struktúrára épül, amely nem egyetlen determinisztikus kimenetet ad, hanem akár ezer lehetséges jövőbeli forgatókönyvet is képes futtatni kevesebb mint egy perc alatt egyetlen TPU egységen.
A modell felkészítéséhez több mint négy évtized globális légköri adatsorát és a történeti ciklonadatbázisok több mint ötezer viharának adatait használták fel. A szakembereket leginkább az lepte meg, hogy a rendszer 28-szor 28 kilométeres, viszonylag durva rácsfelbontású bemeneti adatokból is képes volt az intenzitásra vonatkozó pontos becslésekre. A hagyományos fizikai rendszerek esetében ekkora felbontás mellett a vihar magjában zajló hőtani folyamatok teljesen láthatatlanná válnának.
A Melissa-hurrikán előrejelzésének éles tesztje
A modell valós körülmények közötti képességeit a 2025-ös atlanti-óceáni hurrikánszezonban vizsgálták meg, amikor az amerikai Nemzeti Hurrikánközpont elemzői kísérleti jelleggel beemelték a rendszert az operatív munkafolyamatba. Amikor a Melissa néven ismertté vált vihar még csak gyenge trópusi depresszióként formálódott, a hagyományos fizikai modellek bizonytalanok voltak abban, hogy a rendszer eléri-e egyáltalán a hurrikán fokozatot Jamaicát megközelítve.
A WeatherNext ezzel szemben öt nappal a szárazföldi csapás előtt 80 százalékos valószínűséggel jelezte, hogy a Melissa 5-ös kategóriájú szuperhurrikánként ér partot. Ez volt az első alkalom a meteorológia történetében, amikor a szakemberek ilyen korai stádiumban lévő viharból hivatalosan is a legmagasabb veszélyességi fokozatú hurrikán kialakulását tudták valószínűsíteni. A három nappal a partot érés előtti méréseknél a modell valószínűségi becslése már megközelítette a 100 százalékot.
A gyors intenzitásnövekedés időbeni felismerése a katasztrófavédelmi szervek számára kulcsfontosságú. A logisztikai láncok megszervezése, a part menti területek kiürítése és az óvóhelyek felkészítése napokat vesz igénybe, így az egynapos plusz idősáv közvetlenül segíti a védekezésben dolgozók munkáját.
| Paraméter | Hagyományos numerikus modellek | WeatherNext modellcsalád |
|---|---|---|
| Bemeneti adatsűrűség | Finom rácsháló, nagy felbontású helyi adatok | Durvább, 28 km-es rácsfelbontás |
| Előrejelzési idősáv | 2 napos pontossági alapszint | 3 napos előrejelzés azonos pontossággal (+24 óra) |
| Számítási idő | Órákig tartó futtatás szuperszámítógépeken | Kevesebb mint 1 perc egyetlen TPU hardveren |
| Ensemble kimenetek | Korlátozott számú párhuzamos szimuláció | Akár 1000 párhuzamos valószínűségi forgatókönyv |
A globális nyílt kód és a hazai meteorológia
A Google DeepMind a Nature cikk megjelenésével egy időben nyílt forráskódúvá tette a WeatherNext 2, a WeatherNext Cyclones és a tömörített WeatherNext 2-mini modelljeit. A kód és a betanított súlyok az Apache 2.0 licenc alatt ingyenesen elérhetők a kutatói közösség számára. A kisebb modellváltozat akár egy ingyenes felhős fejlesztőkörnyezetben, különleges szuperszámítógépes infrastruktúra nélkül is futtatható.
Habár Közép-Európában és Magyarországon a trópusi ciklonok közvetlen veszélye nem áll fenn, az alkalmazott gépi tanulási architektúra a szélsőséges időjárási események előrejelzésében globálisan elterjedhet. A villámárvizeket vagy a heves zivatarláncokat kísérő szélviharokat modellező európai és magyar meteorológusok a nyílt forráskódú súlyok adaptálásával saját regionalizált modelljeiket is továbbfejleszthetik.
A mesterséges intelligencia és az emberi felügyelet
A fejlesztők és a meteorológiai hatóságok hangsúlyozzák, hogy a WeatherNext nem váltja ki a szakemberek elemző munkáját. A mesterséges intelligencia nem fizikai törvényszerűségekből számolja ki a légkör állapotát, hanem mintázatfelismerést végez a korábbi adatsorok alapján. Emiatt az alacsony valószínűségű, de rendkívül veszélyes kimenetek felismeréséhez elengedhetetlen a meteorológusok mérlegelése és a műholdas, valamint repülőgépes mérések folyamatos integrálása.
A nyílt elérhetőségnek köszönhetően a világ meteorológiai szolgálatai mostantól közvetlenül tesztelhetik az algoritmust a saját régiójuk specifikus légköri jelenségein, ami a jövőben a lokális viharjelzések pontosságát is javíthatja.
