Нейросеть за 10 минут смоделировала год погоды в Арктике

Как пояснил заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий, нейросеть успешно фиксирует ключевые характеристики полярных мезоциклонов. Сравнение с эталонными данными Weather Research and Forecasting показало, что алгоритм корректно воспроизводит интенсивность этих явлений. Это открывает возможности для практического применения — от повышения безопасности мореплавания до более точной оценки условий для ветроэнергетики.

Ученые отмечают, что климат в Арктике меняется особенно быстро на фоне глобального потепления, что ведет к росту числа экстремальных погодных событий. В этих условиях требуется более точный и оперативный анализ атмосферных процессов, включая вихри разных масштабов, возникающие в приполярных регионах России.

Традиционные климатические модели требуют значительных вычислительных ресурсов для получения детализированных прогнозов. Исследователи предложили сократить эти затраты, обучив нейросеть на массиве данных, из глобального архива ERA5, где поверхность Земли разбита на ячейки размером 31 на 31 километр. Новый алгоритм повышает детализацию прогноза с пространственным разрешением равным 6 на 6 километров.

После 17 часов обучения результаты работы нейросети сравнили с расчетами, выполненными с помощью эталонной погодной модели WRF. Точность прогнозов оказалась сопоставимой, однако скорость расчетов выросла кратно. К примеру, формирование годичных ветровых полей заняло у ИИ около 10 минут, хотя раньше на это потребовалось бы до 10 часов .

Кроме того, разработчики отметили, что особенно эффективно система прогнозирует шквальные ветры и высоту волн в Баренцевом море. Это позволяет использовать разработку для более точных штормовых предупреждений и оценки опасных морских условий.