Meteorolodzy mogą dziś przedstawiać prognozy pokazujące, na jakim obszarze może spaść deszcz i jakie mniej więcej będzie nasilenie opadów. To, że dziś po południu będzie padać w pasie od Poznania po Białystok, jest oczywiście wartościową informacją. Jednak znacznie cenniejsza byłaby taka, że deszcz w powiecie łomżyńskim spadnie za godzinę, a opady wyniosą około 40 milimetrów słupa wody. Nowy algorytm mniej więcej to właśnie potrafi. Opracowała go spółka DeepMind (która wcześniej stworzyła algorytm przewidujący struktury białek) we współpracy z brytyjską służbą meteorologiczną MetOffice. 

Nowa metoda polega na wykorzystaniu sieci neuronowych. To układy obliczeniowe, które wśród dostarczonych im danych mogą znajdować subtelne powiązania, umykające oku ludzkiemu. Przy tym powierzenie podobnego zadania superkomputerom z tradycyjnymi procesorami mogłoby zająć tyle czasu, że stałoby się to niepraktyczne.  

Sieci neuronowe już potrafią nauczyć się rozpoznawać obrazy, style malarstwa, a nawet imitować obrazy pędzla słynnych artystów. Po okazaniu takiej sieci setek przykładów dzieł Rembrandta, potrafi ona wygenerować własny obraz o łudząco podobnym stylu. Podobny mechanizm wykorzystano w przypadku prognoz pogody.  

DGMR czyli „głęboki generatywny model opadów deszczu” 

Sieć neuronową – nazwaną DGMR od słów „deep generative model of rainfall”, czyli „głęboki generatywny model opadów deszczu” – nauczono tworzyć obrazy radarowe chmur na podstawie danych z radarów meteorologicznych. Takie pomiary pozwalają określić grubość chmur i wielkość kropel, które zawierają. Im grubsza chmura i im większe krople, tym większe szanse na deszcz. Powyżej pewnego rozmiaru kropli opad jest już pewny. 

Tyle że dane radarowe nie pozwalają przewidzieć, jak chmury się rozwiną. Pokazują tylko ich bieżący stan. Sieć neuronowa DGMR na podstawie kilkudziesięciu klatek filmu złożonego z obrazów radarowych chmur potrafi zaś przewidzieć przyszłość. To wielki krok naprzód. 

Algorytm, odpowiednio wyszkolony na podstawie zdjęć radarowych z lat 2016–2019, opracowano już dwa lata temu. Od tego czasu go udoskonalano. W „Nature” naukowcy donoszą, że może objąć obszar o powierzchni 1200 na 1500 kilometrów i przewidzieć szanse na opady w kwadracie o boku zaledwie jednego kilometra w ciągu najbliższych 5 do 90 minut. 

Nowcasting, czyli prognozy bardzo krótkoterminowe 

Będzie to nieocenione w przypadku zagrożenia powodzią. Ale przyda się także wszystkim pracującym na zewnątrz np. w rolnictwie, budownictwie, służbach ratunkowych. Algorytm zapewne szybko trafi też do meteorologii lotniczej, bowiem w tej branży prognozy pogody są kluczowe dla bezpieczeństwa. 

DGMR może wypełnić lukę w prognozach oferowanych przze komputerowe modele aktualizowane co kilka godzin. Nowy algorytm umożliwi coś, co badacze nazywają „nowcastingiem” (od angielskiego „now” – teraz i „forecasting” – prognozowanie). Pozwolą przewidzieć, jak rozwinie się sytuacja w ciągu kilku godzin, zanim dostępne dziś komputerowe modele obliczą kolejną, zaktualizowaną prognozę. 

Dlaczego tak trudno przewidzieć deszcz, czyli na co nie pomoże nawet superkomputer 

Dzisiejsze komputerowe modele dobrze przewidują pogodę, ale sprawdzają się najlepiej przy dłuższych prognozach. Wynika to w większości z tego, że wyliczenie przyszłego stanu atmosfery jest niezwykle złożonym procesem. Nawet superkomputerom zajmuje to kilka godzin. Stąd numeryczne prognozy pogody aktualizowane są w rytmie takich obliczeń, zwykle raz na 6 godzin. 

Oznacza to, że nawet najlepsze z nich oparte są na danych sprzed kilku godzin, czyli niekoniecznie zgodnych z rzeczywistym stanem atmosfery w chwili ogłoszenia. W sześć godzin wiele może się zmienić, zwłaszcza jeśli sytuacja jest dynamiczna – na przykład przy burzowej pogodzie latem. 

Numeryczne prognozy mają jeszcze jedno ograniczenie: to ich rozdzielczość. Zwykle pogodę wylicza się dla obszaru o boku długości kilku kilometrów. Opady deszczu bywają zaś kapryśne. Gdy w jednym miejscu leje, cztery kilometry dalej może ledwie pokropić. To także ogranicza przydatność prognoz opadów. Znacznie przydatniejsze będą prognozy o większej rozdzielczości. Badacze zaznaczają jednak, że sieci neuronowe mogą być – przynajmniej na razie – tylko uzupełnieniem obecnych prognoz numerycznych. 

Źródła: MIT Technology Review, Nature