Attól tartunk, meteorológusnak lenni nem hálás hivatás. Mindjárt az első frusztráció, hogy egy alapvetően kaotikus természeti jelenség jövőbeni viselkedéséről kell – lehetőleg pontos – előrejelzést adni. A második, hogy ha az időjárás az előrejelzések szerint alakul, az nem vált ki különösebb reakciókat, de ha nem, szegény szakemberek (és szüleik) erős csuklási rohamokkal küzdhetnek.
◼︎ Mesterséges intelligencia és időjárás
A városi embert annyiban érdekli az időjárás-előrejelzők munkája, hogy eldönthesse, kell-e esernyőt vinnie magával reggel, vagy elrakhatja-e a télikabátot a szekrénybe. Vannak azonban olyan gazdasági területek – például a mezőgazdaság vagy a légi közlekedés –, ahol akár az éves termés vagy emberéletek múlhatnak azon, bekövetkeznek-e úgy és akkor azok a természeti és légköri jelenségek, amelyeket az időjárás-előrejelzők prognosztizálnak. Talán nem kockáztatunk nagyot azzal a feltételezéssel, hogy a meteorológusok (és szellemi elődeik, az időjósok) foglalkozása a második legősibb.
Géperő és matematika
Az ókori – megkérdőjelezhető – módszerektől korunkra eljutott oda az időjárás-előrejelzés, hogy az elérhető legnagyobb teljesítményű (akár szuperszámítógép erejű) hardveren futtatott, egyre több fizikai paramétert figyelembe venni tudó, bonyolult matematikai modellekkel „számolják ki” a várható időjárást. A feladat valamivel könnyebb lett, amikor a múlt század második felében elkezdtek a matematikusok a neurális hálókkal, a gépi tanulással és a mélytanulással (machine és deep learninggel) foglalkozni.
„A meteorológiában már az LLM-ek berobbanása előtt is használatban voltak gépitanulás-alapú megoldások. Elsősorban a hagyományos numerikus modellek kimeneteinek utófeldolgozását végezték velük, vagyis a fizikai modellek eredményeit a mérésekkel összevetve hajtottak végre statisztikai korrekciót. Ugyanígy léteztek már korábban is deep learning megoldások radarképek és műholdképek rövidtávú, egy-három órás előrejelzésére”, ismerteti Szente-Varga Bálint, az Időkép alapító-tulajdonosa.
Adatok, adatok
Az MI, ahol tud, segít
(Szente-Varga Bálint csoportosítása) |
Az előrejelzések alapja természetesen a mért adat. A „hagyományos” adatgyűjtésen túl napjainkra több olyan irány is felértékelődött, amelyeket a MI tett igazán használhatóvá. „A meglévő, főként a műholdas, mikrohullámú mérésekből kinyerhető információ koránt sincs teljes mértékben kiaknázva, hiszen ezek az adatok nem a modellek által reprezentált paramétereket (hőmérsékletet, szelet, nyomást, páratartalmat stb.) mérik, hanem különböző frekvenciatartományokon vizsgálják a felszín felől érkező sugárzást. Az egyes paraméterekkel fennálló korrelációkat gépi tanulással a korábbinál sokkal pontosabban lehet feltérképezni, így a kiindulási feltételek becslése, az adatasszimiláció, pontosabbá tehető”, mondja Szente-Varga Bálint.
Az amatőr időjárás-állomásokból származó, korábban nehezen használható, gyakran zajos vagy hibás adatok is használhatóvá válnak, megfelelően szofisztikált hibaszűrési eljárásokat használva. És végül „a gépi tanulással azonosíthatók azok a területek, ahonnan egy adott mérés jelentősen nagyobb súllyal javít az előrejelzés beválásán, mint a máshonnan származó adatok”, árulja el Szente-Varga Bálint.
A gép tanulás lehetőségeinek egyre mélyrehatóbb kiaknázása számos új lehetőséget hozott az elmúlt években a meteorológiába. Fontos ugyanakkor kiemelni, hogy az MI nem váltja ki a teljes meglévő előrejelzési folyamatot, de mindegyik szakaszában tud hozzáadott értéket biztosítani. (Lásd „Az MI, ahol tud, segít” című keretet!)
Az igazi meglepetést szakmai berkekben az okozta, hogy csupán néhány évtizednyi reanalízis-adatsor elegendő volt a jó beválású adatalapú modellek megalkotásához. Meg kell említeni ugyanakkor, hogy ezek a modellek nem önállóak, kizárólag a fenti keret 5. pontját váltják ki, de futtatásukhoz ugyanúgy szükség van az igen időigényes adatasszimiláció elvégzésére (4. pont), ami a hagyományos prognózis integrálásával összemérhető erőforrás-igényű.
Egy kis elmélet
| Aardvark Weather
A Cambridge-i Egyetem kutatói által kifejlesztett mesterségesintelligencia-alapú időjárás-előrejelző rendszer tízszer gyorsabb és ezerszer kevesebb számítási teljesítményt igényel, mint a jelenlegi MI- és fizikaalapú előrejelző rendszerek. A rendszer fejlesztését az Alan Turing Intézet, a Microsoft Research és az Európai Középtávú Időjárás-előrejelzések Központja is támogatta. „Az Aardvark újraértelmezi a jelenlegi módszereket, lehetővé téve, hogy az időjárás-előrejelzések gyorsabbak, olcsóbbak, rugalmasabbak és pontosabbak legyenek”, mondja az egyetem szakértője. |
Szente-Varga Bálint segít jobban eligazodnunk a „hagyományos” és az MI-vel támogatott módszerrel készített előrejelzések között. Míg a hagyományos modellek minden pillanatban fizikailag lehetséges (ám nem feltétlenül beváló) helyzetképet vázolnak fel, addig az adatalapú (MI) megoldásokat a négyzetes hiba minimalizálására optimalizálták, így az idő előrehaladtával a térbeli struktúrák elmosódnak, és a klimatológiai átlaghoz konvergálnak. Egy konkrét példán szemléltetve: a hagyományos modell Szombathelyre valószínűsít felhőszakadást, ami végül talán Zalaegerszeget áztatja el, de az intenzitását jól becsli. Az adatalapú modell ezzel szemben térben „elmosódva” kevés csapadékot fog prognosztizálni egész Nyugat-Dunántúlra. A meteorológus dolga a két adatból levonni a következtetést, hogy foltokban heves csapadékra van esély a nyugati országrészben.
A jelenleg használt adatalapú (MI-) modelleket reanalízis-adatsorokon tanították. Ezek olyan, múltban futtatott előrejelzések, amelyeket folyamatosan a múltbéli mérésekhez „húznak”, így a valósághoz közeli pillanatképünk van a légkörről évtizedekre visszamenőleg olyan helyszínekről is, ahonnan eredetileg nem volt mérésünk. Ezeken a térbeli adatsorokon tanulják meg az MI-modellek, hogy milyen légköri helyzetet jellemzően milyen követ. A munka oroszlánrésze a reanalízis-adatsor létrehozása hagyományos fizikai modell segítségével. Ennek előállítása négy nagyságrenddel nagyobb számítási teljesítményt igényel, mint magának az MI-modellnek a „feltanítása”, ezért csak megközelítően tízévente frissítik.
Kicsit előretekintve, egy valódi, önálló MI-modellnek a nyers mérésekből kellene dolgoznia, és a teljes prognóziskészítési folyamatot le kellene fednie. Zajlanak már ilyen kutatások, például a Középtávú Időjárás-előrejelzések Európai Központjában (az ECMWF-ben) az AI-DOP-program, de ezek az architektúrák egyelőre nem hozzák azokat a beválási számokat, amelyeket a mostani, reanalízisre épülő modellek (ECMWF AIFS, Google GraphCast, nVidia FourCastNet stb.) tudnak.
