Az AI-alapú időjárás-előrejelző modellek gyorsan terjednek a meteorológiában: kevesebb számítási kapacitást igényelnek, olcsóbbak és sok helyen — különösen a hagyományos erőforrásokkal nem rendelkező országokban — már versenyképes pontosságot érnek el. Ugyanakkor a kutatók egyre hangosabban figyelmeztetnek, hogy ezek a rendszerek rosszul kezelik a melegedő éghajlat miatt egyre gyakoribbá váló, korábban szinte ismeretlen szélsőséges eseményeket. Ezt a jelenséget többen „szürke hattyúnak” nevezik: fizikailag lehetséges, de a múltbeli adatokban ritkán vagy egyáltalán nem előforduló események.
Miért jelent gondot a "szürke hattyú"?
Az AI-modelleket elsősorban múltbeli megfigyelések és szimulációs adatok alapján tanítják. Ha a tanítóadatokban bizonyos szélsőségek nincsenek jelen — mert korábban nagyon ritkák voltak — az AI nehezen, vagy egyáltalán nem tud rájuk általánosítani. A probléma különösen éles, mert a klímaváltozás miatt egyre több „első” jellegű, korábban nem látott szélsőség fordul elő.
Egy történelmi példa: 1970. november 12-én a Bhola-ciklon lecsapott a korabeli Kelet-Pakisztán partvidékére; a vihar tartósan 205 km/órás széllökéseket és 10,5 méteres vihardagályt hozott, és a becslések szerint 300 000–500 000 ember halálát okozta. A Bhola-ciklon a történet egyik legpusztítóbb trópusi vihara, és a következmények egy részét az is befolyásolta, hogy akkoriban még nem álltak rendelkezésre a mai előrejelzési rendszerek.
Fizikai modellek vs. AI: mi különbözik?
A fizikai alapú numerikus időjárás-modellek a légkör és az óceánok fizikai törvényein alapulnak, ezért képesek olyan, nagyon ritka eseményeket is szimulálni, amelyek a valóságban csak alkalomszerűen fordulnak elő. Az AI-modellek viszont a múltbeli mintázatokból tanulnak; ha egy szélsőség gyakorlatilag nem szerepel a tanítóadatokban, az AI gyakran nem tud extrapolálni.
Pedram Hassanzadeh, a Chicagói Egyetem geofizikai tudományok docense és kollégái tavaly áprilisban közöltek egy kísérletet: eltávolították a 3–5-ös kategóriájú hurrikánokat egy AI-modell tanítóadatbázisából, majd 5-ös kategóriájú viharokon tesztelték a modellt. Az eredmény világos volt: az AI nem tudta pontosan előre jelezni az ilyen, korábban nem látott intenzitású viharokat — a probléma az extrapoláció hiánya volt.
A csendes, de veszélyes hibák
További aggodalom, hogy az AI-modellek „csendben” is hibázhatnak: magabiztos, hétköznapi előrejelzést adhatnak akkor is, amikor valójában rekorddöntő esemény alakul ki. Egy Kaliforniai Egyetem számítástechnika és mérnöki tudományok docense felhívta a figyelmet arra, hogy az AI rendszerek finom módon sérthetik meg a megmaradási törvényeket, amit a hagyományos mérőszámok nem feltétlenül mutatnak ki. Ha hibák történnek, nehezebb lehet megérteni azok okát, mert az AI döntései kevésbé átláthatóak.
Intézményi és üzemeltetési kockázatok is felmerülnek: ha túl gyors az átállás AI-ra, a fizikán alapuló infrastruktúra leépülése csökkentheti azt a redundanciát, amely ma segít kiszűrni az AI hibáit. Emellett a stabil megfigyelőrendszerekre támaszkodó AI különösen sebezhető lehet a műholdprogramokra nehezedő pénzügyi és politikai nyomás esetén.
Az AI előnyei és az elért eredmények
Ennek ellenére sok meteorológus gyakorlatilag azonnal alkalmazza az AI-t, mert rövidebb számítási idővel és alacsonyabb költséggel ad versenyképes előrejelzéseket hagyományos eseményekre. Andrew Charlton-Perez, a Readingi Egyetem meteorológia professzora rámutat: míg a legjobb fizikai modellek fejlődése évtizedenként hozzávetőleg egy nappal javítja a prognózis időtartamát, a gépi tanulás pontosságának növekedése gyorsabb.
A gyakorlati eredmények sem elhanyagolhatók: 2025-ben a Google DeepMind modellje az atlanti hurrikánszezon során a viharok pályájának és erősségének előrejelzésében sok fizikai modellt felülmúlt. Emellett 2023 óta a vezető AI-modellek — köztük a GraphCast, a Pangu-Weather és az ECMWF AIFS rendszere — a középtávú előrejelzési mutatók tekintetében elérték vagy meghaladták a legjobb fizikai modellek teljesítményét.
AI-alapú előrejelzések különösen hasznosak lehetnek ott, ahol a hagyományos előrejelzéshez szükséges szuperszámítógépes infrastruktúra és szakértői kapacitás hiányzik. Pedram Hassanzadeh által vezetett kezdeményezés például 38 millió indiai gazdálkodónak biztosított AI-alapú monszun-előrejelzést, amely akár négy héttel előre jelezte az esős évszak kezdetét.
Strikt tesztelésre és hibrid megoldásokra van szükség
A gyors bevezetés kockázatainak mérséklésére több kutató szigorúbb tesztelést sürget. Shruti Nath, az Oxfordi Egyetem posztdoktori kutatója egy társszerzőtárssal szerkesztőségi cikkben egy olyan tesztelési keretrendszert javasolt, amely szándékosan kizár bizonyos „ikonikus” szélsőséges eseményeket a tanítóadatokból, és azokat csak a tesztelésre tartja fenn. Ilyen esemény lehet például a 2021-es északnyugati csendes-óceáni hőhullám, amely klíma nélkül gyakorlatilag elképzelhetetlen volt.
A javasolt AIRWIE (AI Retraining Without Iconic Events) protokoll bevezetése megkívánná, hogy a meteorológiai közösség közös nevezőre jusson arról, mely események számítanak referencia-ikonoknak. Nath szerint ez jelentős koordinációt igényelne, de a legtöbb kutató egyetért abban, hogy sürgős szükség van hasonló vizsgálatokra és protokollokra.
Más kutatások a modellek képességének növelésére irányulnak: Hassanzadeh és munkatársai például a „releváns mintavétel” módszereit vizsgálják, amelyekkel mesterségesen lehet generálni ritka eseményeket a tanítóadatok kiegészítésére, és ezzel javítani az extrapolációs képességet.
Következtetés: nincs visszaút, de óvatosan kell haladni
Az AI már megváltoztatja az időjárás-előrejelzést, és az éghajlat további bizonytalanságaival szemben a meteorológusoknak minden rendelkezésre álló eszközre szükségük lesz. Ugyanakkor kulcsfontosságú, hogy a technológia korlátait megértsék és kezeljék: a cél az, hogy az AI-modellek fizikailag konzisztenssé, jól kalibrálttá és a változó eloszlásokkal szemben ellenállóvá váljanak. Ha a „szürke hattyú” probléma miatt elutasítanánk az AI alkalmazását, azzal egy generáció jelentős előrelépését veszítenénk el. A kérdés az, hogyan integráljuk a gyorsan fejlődő AI-t a megbízható, fizikai alapú rendszerekkel úgy, hogy megőrizzük a redundanciát és a biztonságot.
