Прогнозирование погоды стало неотъемлемой частью современной жизни, снижая потери, связанные с погодными условиями, и улучшая общественные результаты. Оповещения о суровой погоде предоставляют жизненно важные ранние предупреждения, которые помогают защитить жизнь и имущество. Прогнозы температуры, осадков, ветра, влажности и других условий — как экстремальных, так и средних — поддерживают общественную безопасность, здоровье и экономическое процветание, предупреждая всех — от фермеров и рыбаков до энергетических и строительных компаний — об ожидаемой погоде.
Однако не все прогнозы одинаково точны, отчасти потому, что прогнозирование погоды является хаотическим процессом. Это означает, что небольшие неопределённости в исходных условиях (данные), вводимые в модели погоды, могут привести к совершенно разным прогнозируемым результатам. На точность прогнозов также влияют сложность моделей, реалистичность представления атмосферных условий, насколько далеко в будущее прогнозируется погода, и — в очень разрешённых масштабах — местная география.
Применение нового искусственного интеллекта (ИИ) оказывает революционное влияние на прогнозирование погоды.
Развитие моделей
Все прогнозы погоды включают ввод данных в виде наблюдений — показаний с метеозондов, буёв, спутников и других приборов — в модели, которые предсказывают будущие состояния атмосферы. Выходные данные моделей затем преобразуются в полезные продукты, такие как ежедневные прогнозы погоды, штормовые предупреждения и оценки пожарной опасности.
Современные методы прогнозирования основаны на численном прогнозировании погоды (ЧПП), математической структуре, которая моделирует будущее атмосферы, рассматривая её как жидкость, взаимодействующую с водными объектами, сушей и биосферой. Модели, использующие этот подход, включают модель интегрированной системы прогнозирования (IFS) Европейского центра среднесрочных прогнозов погоды (ECMWF), модель исследования и прогнозирования погоды Национального центра атмосферных исследований и глобальную систему прогнозирования NOAA.
Модели ЧПП решают уравнения гидродинамики, известные как уравнения Навье-Стокса, которые упрощают сложные движения жидкостей, таких как воздух в атмосфере, и могут быть использованы для описания взаимосвязей между их скоростями, температурами, давлениями и плотностями. В результате получается набор прогнозов того, какой, например, будет температура в определённых местах в будущем. Эти прогнозы, вместе с оценками других упрощённых физических процессов, не охваченных уравнениями гидродинамики, составляют прогноз погоды.
Это концептуально простое описание скрывает огромный масштаб работы, которая уходит на создание прогнозов. Эксплуатация спутников, радиолокационных сетей и других необходимых технологий является дорогостоящей и требует значительных специализированных знаний. Ввод наблюдений из этих разрозненных источников в модели и обеспечение их совместной работы — непростая задача.
Рост машинного обучения
По мере увеличения мощности вычислительных аппаратных и программных средств повышались точность, разрешение и диапазон прогнозирования. Появление ранних систем искусственного интеллекта в 1950-х годах, которые метеорологические службы почти сразу же начали использовать, способствовало этому прогрессу в середине XX века. Эти ранние ИИ были иерархическими системами, которые имитировали принятие решений человеком через деревья решений, состоящие из серии логических правил типа «если это, то то».
Интерес к ИИ среди синоптиков возрос начиная с конца 1990-х годов и неуклонно рос в 2000-е и 2010-е годы по мере того, как вычислительные ресурсы становились более мощными, а полезные данные — более доступными.
Развитие деревьев решений привело к появлению машинного обучения (МО), дисциплины ИИ, включающей обучение моделей выполнению конкретных задач без явного программирования. Вместо следования закодированным инструкциям эти модели учатся на основе закономерностей в наборах данных, чтобы со временем улучшить свою производительность. Одним из методов достижения этого улучшения является обучение нейронной сети, алгоритма, вдохновлённого человеческим мозгом.
Нейронные сети работают путём итеративной обработки числовых представлений входных данных — например, яркостей пикселей изображения, температур или скоростей ветра — через несколько слоёв математических операций, чтобы реорганизовать и уточнить данные до получения значимого результата.
Эксперименты с МО велись в научном сообществе с 1970-х годов, но поначалу они не получили широкого распространения в прогнозировании погоды. Системы ИИ в то время были ограничены вычислительной мощностью и релевантными данными, доступными для использования в МО. Однако интерес к ИИ среди синоптиков возрос начиная с конца 1990-х годов и неуклонно рос в 2000-е и 2010-е годы по мере того, как вычислительные ресурсы становились более мощными, а полезные данные — более доступными.
Методы обучения моделей также стали более эффективными, и новые идеи о том, как адаптировать исходную концепцию нейронной сети, создали возможности для решения более сложных задач. Например, в 2010 году был выпущен ImageNet, огромная база данных размеченных изображений, которые можно было использовать для обучения ИИ для задач распознавания 2D-изображений.
Машинное обучение в прогнозировании погоды
Прогнозирование погоды ощущает на себе влияние этой инновации. Рост ИИ в исследованиях по краткосрочному прогнозированию погоды и прогнозированию условий на несколько часов вперёд помогает понять, как это происходит.
Мы неформально изучили исследования, опубликованные между 2011 и 2022 годами, используя базу данных Web of Science, и обнаружили, что большинство этих исследований было сосредоточено на применении ИИ к изучению классических переменных прогноза погоды: осадков, облачности, солнечной радиации, скорости и направления ветра, температуры.
Годовой рост числа новых публикаций, связанных с этими пятью переменными прогноза, свидетельствует о поразительном увеличении в среднем на 375% за этот период. Это почти пятикратное ежегодное увеличение примерно поровну распределено между каждой переменной: в 2010 году количество новых публикаций, посвящённых каждой из этих переменных, было в пределах нескольких единиц; к 2022 году количество публикаций по каждой из них исчислялось сотнями.
Исследование проводилось в нескольких странах. Примерно половина статей, опубликованных с 2011 по 2022 год, была написана в Китае (27,5%) и Соединённых Штатах (22,7%). Индия (~8%), Германия (~6,5%), а также Великобритания и Австралия (~5% каждая) также внесли значительный вклад. Большинство, если не все, эти результаты исследований, по-видимому, связаны с интересом к их актуальности для различных секторов экономики, традиционно связанных с прогнозированием погоды, таких как энергетика, транспорт и сельское хозяйство.
Приложения в энергетическом секторе доминируют в исследованиях по прогнозированию с помощью ИИ, связанных с солнечной радиацией и ветром. Комплексные обзоры охватывают, как технологии ИИ интегрируются в энергетическую отрасль на многих этапах цепочки поставок. Выбор и планирование площадок (например, для солнечных или ветряных электростанций), управление солнечными и ветровыми ресурсами в повседневной деятельности, прогнозирование технического обслуживания, согласование энергопотребления в режиме реального времени и управление энергопотреблением домашних и бизнес-потребителей — все эти случаи использования ИИ влияют на отрасль и стимулируют исследования.
Приложения в сельскохозяйственном секторе в первую очередь стимулируют исследования по прогнозированию температуры и осадков. Эта тенденция, вероятно, отражает более широкое движение в этом секторе к точному земледелию, подходу, основанному на данных, направленному на повышение урожайности и устойчивости. Крупные компании, такие как BASF, продвигают «цифровое земледелие», которое объединяет источники данных, включая прогнозы и исторические погодные условия, в модели МО для прогнозирования будущих температур и осадков.
Строительная отрасль, значительная движущая сила исследований по прогнозированию температуры с помощью ИИ, полагается на прогнозы температуры для планирования операций. Погода может существенно влиять на сроки реализации проектов, влияя на даты начала и время, необходимое для таких задач, как заливка бетона. Точные прогнозы также могут улучшить планирование перерывов для рабочих в жаркие дни и прогнозирования остановок работ во время сильных морозов.
В транспортном и авиационном секторах проблемы общественной безопасности, вероятно, стимулируют исследования по прогнозированию с помощью ИИ. Интеллектуальные транспортные системы полагаются на данные прогноза погоды для прогнозирования и смягчения проблем с дорожным транспортом путём изменения маршрутов или закрытия дорог и мостов. Точно так же точные данные о погоде могут использоваться в авиационных моделях для повышения безопасности и комфорта, например, для прогнозирования таких проблем, как турбулентность и обледенение.
Эволюция архитектур
Методы и структуры, или архитектуры, используемые в исследованиях по прогнозированию с помощью ИИ, изменились и стали более сложными по мере развития этой области, особенно за последнее десятилетие. И эта траектория к улучшению, по-видимому, ускоряется.
В 2015 году примерно 40% моделей ИИ в литературе по краткосрочному прогнозированию погоды были машинами опорных векторов, но к 2022 году эта цифра снизилась до 8%. За тот же период использование более сложных свёрточных нейронных сетей увеличилось с 11% до 43%. Появились и новые архитектуры для прогнозирования, такие как генеративно-состязательные сети, U-Net и модели-трансформеры.
Трансформеры, с их мощными механизмами внимания, которые обнаруживают долгосрочные зависимости между различными переменными (например, между атмосферными условиями и формированием штормов), могут стать предпочтительной архитектурой для прогнозирования погоды. Трансформеры получили широкое распространение в других областях и стали синонимом ИИ в целом благодаря их заметному использованию в инструментах генеративного ИИ, таких как ChatGPT от OpenAI.
Некоторые из самых передовых моделей прогнозирования погоды сегодня используют модели-трансформеры, такие как FourCastNet от NVIDIA, Pangu-Weather от Huawei и GraphCast от Google, каждая из которых основана на данных, а не на численном прогнозировании погоды. Эти модели могут похвастаться уровнями точности и пространственного разрешения, аналогичными модели ECMWF IFS по нескольким важным погодным переменным. Однако их главное нововведение заключается в вычислительных ресурсах, необходимых для генерации прогноза: по оценкам NVIDIA, например, FourCastNet может быть до 45 000 раз быстрее, чем IFS, что эквивалентно использованию в 12 000 раз меньше энергии.
Взгляд в будущее
Сочетание данных высокого разрешения из различных источников будет играть ключевую роль в революции прогнозирования погоды, а это означает, что подходы к наблюдениям, используемые для сбора этих данных, будут играть центральную роль.
Сложные архитектуры ИИ уже используются для объединения наблюдений из разных источников для создания новых продуктов, которые трудно создать с помощью традиционных методов, основанных на физике. Например, передовые инструменты прогнозирования качества воздуха полагаются на объединение измерений со спутников и станций мониторинга, а также данных о трафике на уровне земли и топографии для получения реалистичных представлений о концентрациях загрязнителей.
ИИ также используется для ассимиляции данных, процесса сопоставления наблюдений с регулярно расположенными, разнесёнными по сетке представлениями атмосферы для использования в моделях прогноза погоды (которые сами по себе могут быть управляемыми ИИ).
Ещё одним растущим вариантом использования ИИ является прогнозирование экстремальных погодных условий. Экстремальные явления могут быть сложными для прогнозирования с помощью ИИ-моделей, поскольку многие модели функционируют путём поиска закономерностей (т. е. средних значений) в данных, а это означает, что более редкие явления по своей сути имеют меньший вес.
Наблюдения будут играть ключевую роль в повышении точности и эффективности новых продуктов прогнозирования, предоставляя данные, необходимые для обучения моделей ИИ. Сегодня модели обычно предварительно обучаются перед использованием со структурированным набором данных, сгенерированным с помощью методов ассимиляции данных. Эти предварительно обученные системы могут быть адаптированы к новым специализированным задачам с высоким разрешением, таким как краткосрочное прогнозирование для мест, где условия быстро меняются, например, в высокогорных районах.
Спутники, такие как недавно запущенный геостационарный эксплуатационный спутник окружающей среды 19 (GOES-19) и миссии NOAA-21, становятся всё более важным источником данных для обучения ИИ. Эти данные вскоре будут дополнены ещё более высокоразрешающими наблюдениями с помощью спутниковых инструментов нового поколения, таких как программы Европейского центра эксплуатации метеорологических спутников (EUMETSAT) — недавно запущенные программы Meteosat третьего поколения (MTG) и EUMETSAT Polar System — второе поколение (EPS-SG).
В будущем некоторые эксперименты попытались полностью заменить традиционные системы ассимиляции данных, перейдя непосредственно от наблюдений к входным данным для моделей прогноза погоды. Конечной целью может стать полностью автоматизированная система прогноза погоды от начала до конца, возможно, с несколькими моделями, работающими последовательно. Такая система будет обрабатывать наблюдения в качестве входных данных для моделей прогноза, затем запускать эти модели и обрабатывать выходные данные прогноза в полезные продукты.
Влияние революции ИИ начинает ощущаться в обществе, включая ключевые сектора экономики, такие как энергетика, сельское хозяйство и транспорт. В прогнозировании погоды технология ИИ может оптимизировать обработку данных наблюдений, более эффективно использовать вычислительные ресурсы, повысить точность и диапазон прогнозов и даже создавать совершенно новые продукты. В конечном счёте, современные технологии и грядущие инновации могут сэкономить деньги и помочь лучше защитить жизни, беспрепятственно предоставляя более быстрые и полезные прогнозы будущих условий.
Автор: Джастин Шеноликар (justin.shenolikar@iup.uni-heidelberg.de), Европейская организация по эксплуатации метеорологических спутников, Дармштадт, Германия; сейчас в Университете Гейдельберга, Германия; и Паоло Рути и Крис Юн Санг Чанг, Европейская организация по эксплуатации метеорологических спутников, Дармштадт, Германия.
Citation: Shenolikar, J., P. Ruti, and C. Y. S. Chung (2025), The AI revolution in weather forecasting is here, Eos, 106, https://doi.org/10.1029/2025EO250363. Published on 3 October 2025.