Pošto male promene atmosferskih i površinskih uslova mogu imati velike, teško predvidljive efekte na buduće vreme, tradicionalne vremenske prognoze se objavljuju samo oko 10 dana unapred. Duže vreme čekanja moglo bi da pomogne zajednicama da se bolje pripreme za ono što dolazi, posebno za ekstremne događaje kao što je rekordni toplotni talas na severozapadu Pacifika u junu 2021. u SAD, koji je otopio dalekovode vozova, uništio useve i izazvao stotine smrtnih slučajeva.
Meteorolozi obično koriste spojene modele da odrede koliko je prognoza osetljiva na netačnosti u početnim uslovima. Ovi modeli pomažu da se utvrdi kako male promene temperature ili atmosferske vodene pare, na primer, mogu uticati na tačnost prognoze uslova za nekoliko dana kasnije.
Razumevanje odnosa između početnih uslova i količine greške u prognozi omogućava naučnicima da prave promene dok ne pronađu skup početnih uslova koji daje najtačniju prognozu.
Međutim, pokretanje spojenih modela zahteva značajne finansijske i računarske resurse, a modeli mogu meriti ove osetljivosti samo do pet dana unapred. Istraživači su testirali da li pristup dubokog učenja može da pruži lakši i precizniji način za određivanje optimalnog skupa početnih uslova za 10-dnevnu prognozu.
Nalazi su objavljeni u časopisu Geophisical Research Letters.
Istraživači su napravili prognoze toplotnog talasa na severozapadu Pacifika u junu 2021. koristeći dva različita modela: model GraphCast, koji je razvio Google DeepMind, i model Pangu-Veather, koji je razvio Huavei Cloud.
Uporedili su rezultate da vide da li se modeli ponašaju slično, a zatim uporedili prognoze sa onim što se zapravo dogodilo tokom toplotnog talasa. (Da bi se izbeglo uticaj na rezultate, podaci iz toplotnog talasa nisu uključeni u skup podataka koji se koristi za obuku modela predviđanja.)
Tim je otkrio da je korišćenje metode dubokog učenja za identifikaciju optimalnih početnih uslova dovelo do otprilike 94% smanjenja grešaka u prognozama za 10 dana u modelu GraphCast. Pristup je rezultirao sličnim smanjenjem grešaka kada se koristi sa modelom Pangu-Veather. Tim je primetio da je novi pristup poboljšao predviđanje čak 23 dana unapred.
