A Massachusettsi Műszaki Egyetem (MIT) kutatói olyan gépi tanulási módszert dolgoztak ki, amely képes jelentősen javítani a 2–6 hetes időtávra készített időjárás-előrejelzéseket. A rendszer nem lecseréli a meglévő numerikus modelleket, hanem a közelmúltbeli tévedéseikből tanulva felismeri és korrigálja a szisztematikus hibákat. Ennek eredményeként a kutatók szerint ezen az időablakon belül az előrejelzések pontossága megkétszereződött.
A két–hat hetes horizont korábban különösen problémásnak számított: a meteorológusok általános álláspontja szerint ilyen időtávon a légköri „zaj” elnyomja a hasznos előrejelző jelzéseket, ezért az előrejelzések gyakran nem bizonyultak jobbnak a klimatológiai átlagoknál. Az MIT-csapat módszere azonban most először biztosítja, hogy az ebben a tartományban készített prognózisok következetesen pontosabbak a klimatológiánál — ez a kutatók szerint korábban elérhetetlen mérföldkő.
Miben különbözik az új megközelítés
A kutatók mesterséges intelligenciát használtak a modellek szisztematikus eltéréseinek felderítésére és korrigálására. Ez eltér a hagyományos torzításkorrekciós módszerektől, amelyek jellemzően az előrejelzéseket egy vagy több átlagértékhez közelítik. A MIT-eljárás finomabban azonosítja és javítja a strukturális hibákat, ami különösen fontos a közepes távú előrejelzések esetén.
Judah Cohen, a Nature-ben megjelent tanulmány társszerzője szerint a módszer nemcsak az átlagos időjárási paraméterek előrejelzésében jobb, hanem jobban ki tudja jelezni a várható szélsőséges események irányát is. Ez különösen fontos a társadalom számára, mert a pontosabb előrejelzések segítségével hatékonyabban lehet készülni katasztrófákra és csökkenteni lehet az emberi és anyagi veszteségeket.
Gyakorlati hasznok és hozzáférhetőség
A kutatók kiemelik, hogy a modell nyílt forráskódú, költséghatékony, és futtatásához nincs szükség szuperszámítógépre. Ez megkönnyíti a széles körű alkalmazást: a nemzeti meteorológiai szolgálatoktól kezdve az energiaszolgáltatókig és a mezőgazdasági szereplőkig sokan profitálhatnak a pontosabb 2–6 hetes előrejelzésekből. Az energiaszektor például jobban felkészülhet hőhullámokra, a mezőgazdaság pedig hatékonyabban időzítheti a trágyázást, szántást vagy a betakarítást. A katasztrófavédelem előre mozgósíthat erőforrásokat, ami növelheti az életmentés és a kárcsökkentés esélyét.
Konkrét példa: a Kenya Meteorological Department már jelezte érdeklődését a modell iránt; a szolgálat a monszunesők pontosabb előrejelzésére és a mezőgazdasági hozamok javítására szeretné használni azt.
Korlátok és további lépések
Bár a fejlesztés jelentős előrelépésnek számít, az alkalmazás részleteiben rejlenek a kihívások: a módszer nem helyettesíti az alapmodell-fejlesztéseket, és a helyi adottságok, adatminőség vagy operatív követelmények befolyásolhatják a gyakorlati hasznot. A kutatók azonban azt hangsúlyozzák, hogy az eljárás széles körű hozzáférhetősége és alacsony futtatási igénye lehetővé teheti a gyors terjedést és kis léptékű bevezetést szerte a világon.
Összegzésül: az MIT által fejlesztett gépi tanulási korrekció kétszeresére növelte a 2–6 hetes előrejelzések pontosságát, nyílt forráskódú és könnyen hozzáférhető — ez a közepes távú meteorológiai prognózisok terén mérföldkőnek tekinthető.
