AIFS-CRPS: חיזוי אנסמבל באמצעות מודל שאומן עם פונקציית אובדן המבוססת על מדד הסבירות המצטברת הרציפה

מדוע הסתברויות מזג אוויר חכמות חשובות לכם

כשאתם בודקים את התחזית, בדרך כלל רואים ניבוי יחיד: גשם או שמש, חם או קר. אבל האטמוספירה כאוטית, ומה שבאמת חשוב הוא טווח האפשרויות — במיוחד לגבי סופות, גלי חום או דפוסים הנמשכים שבועות שמשפיעים על יבולים, נסיעות ושימוש באנרגיה. המאמר מציג מערכת חיזוי חדשה מבוססת בינה מלאכותית, AIFS‑CRPS, שאינה רק מנחשת את מזג האוויר למחרת; היא מעריכה את ההסתברויות של עתידות שונות רבות, לעתים בדיוק וביעילות גבוהים יותר מאשר מודלים פיזיקליים מתקדמים כיום.

מתשובות בודדות לטווחי אפשרויות

מודלים מסורתיים של מזג אוויר משתמשים בחוקי הפיזיקה כדי לדמות את האטמוספירה מספר פעמים עם נקודות התחלה מעט שונות. יחד תחזיות ה"אנסמבל" הללו מספקות התפלגות הסתברותית: מה הסיכוי לגשם כבד או לגל קור? לעומת זאת, מודלים מוקדמים של למידת מכונה אומנו למזער שגיאה ממוצעת בניבוי יחיד, מה שדחף אותם להחליק תכונות חדות וקטנות כמו סופות אינטנסיביות. הם יכלו להיות מדויקים להפליא בימים טיפוסיים, אך התקשו לייצג חוסר ודאות ולעתים הבריחו קיצוניות. AIFS‑CRPS נועדה לסגור את הפער הזה על‑ידי יצירת תחזיות הסתברותיות ישירות, כך שהחוסר ודאות מובנה במודל במקום להיות מתווסף לאחר מכן.

בינה מלאכותית שלומדת להיות בלתי‑ודאית בכנות

AIFS‑CRPS היא גרסת אנסמבל של מערכת החיזוי המבוססת בינה מלאכותית של ECMWF. במקום ללמוד להתאים לעתיד יחיד של הנחה הטובה ביותר, היא לומדת לייצר עתידות סבירות רבות ממודל בינה מלאכותית יחיד על‑ידי הוספת רעש מקרי מעוצב בקפידה לייצוג הפנימי של האטמוספירה. החידוש המרכזי הוא הדרך שבה היא מאומנת: המודל מותאם באמצעות מדד סטטיסטי הנקרא Continuous Ranked Probability Score (CRPS), שמעניק ניקוד גבוה להתפלגויות תחזית שמקצות הסתברות גבוהה למה שבאמת קורה ומעניש הן אירועים שנחמדים והן ביטחון-יתר. המחברים מציגים וריאנט "כמעט הוגן" של מדד זה שמתקן הטיות הנובעות מגודל אנסמבל סופי תוך הימנעות מפאתולוגיות נומריות שעלולות להפריע לאימון על חומרה מודרנית.

פרטיות חדה שלא מטושטשת

אחד המבחנים העיקריים לכל מערכת אנסמבל הוא האם היא שומרת על שונות ריאליסטית ככל שהתחזית מתארכת משעות לימים. בהשוואות צדו‑בצד, מערכת בינה מוקדמת שאומנה עם אובדן ממוצע ריבועי איבדה בהדרגה מבנה בקנה מידה קטן, מה שהעניק למפות מראה מטושטש ככל שגרם התחזית התקדם. לעומת זאת, AIFS‑CRPS שומרת על פרטים ואנרגיה על פני סקאלות שונות, קרובה יותר למה שנראה בניתוחי ייחוס ובמודלים פיזיקליים מתקדמים. המחברים מתמודדים עם נטייה מוקדמת של המודל לייצר יותר מדי רעש בקנה מידה קטן על‑ידי "חיתוך" שדה הייחוס המשמש במהלך האימון — הסרת הרפרופים הזעירים משלב קודם כדי שהבינה המלאכותית לא תמהל אותם פשוט ותעצים אותם — אך ללא דיכוי של תכונות מזג אוויר קטנות אמיתיות. האיזון הזה קריטי לייצוג סופות אינטנסיביות ואירועים משפיעים אחרים.

בעיטות ביצועים לטובה ממדינות־האמנות לימים ושבועות

הצוות מעריך את AIFS‑CRPS מול מערכת החיזוי המשולבת ברזולוציה גבוהה (IFS) של ECMWF. עבור תחזיות עד 15 ימים, אנסמבל הבינה מקבל ציונים טובים יותר עבור משתנים מפתח רבים, כגון טמפרטורות בקרבת פני השטח ובגובה 850 hPa, רוחות ברמת זרם הלהט, ודפוסי לחץ במיד‑טרופוספירה. בהתאם למשתנה, השיפורים במדדי הסתברות ושגיאה סטנדרטיים מגיעים לעתים ל‑5–20 אחוז. אנסמבל ה‑AI לעתים מציג "פיזור יתר" — החברים בו מפוזרים יותר ממה שנדרש לפי השגיאה הממוצעת שלהם — אך זה בעיקר אפקט לוואי של שימוש בשיבושים לתנאי התחלה שתואמו למודל הפיזיקה, לא לשגיאה הנמוכה בהרבה של מערכת ה‑AI. בזמני חזית ארוכים יותר, תת‑עונתיים של שבועיים עד שישה שבועות, המערכת מבוססת ה‑AI — על אף שאומנה רק על תחזיות עד 72 שעות — משווה או עולה על IFS עבור שדות פני השטח והטרופוספירה רבים כשבוחנים תחזיות גולמיות, ונשארת תחרותית גם כאשר מסירים הטיות וסופרים רק כישורי אנומליה.

בעקבות פעימות האיטיות של הטרופיים

מבחן קריטי לניבוי תת‑עונתי הוא תנודת מדדן–ג׳וליאן (MJO), דפוס איטי של הפרעות טרופיות שיכול להשפיע על המונסונים, סופות ואפילו מזג אוויר בקווי רוחב אמצעיים. באמצעות אינדקס סטנדרטי המבוסס על אנומליות רוח, המחברים מראים כי AIFS‑CRPS מפיקה תחזיות MJO עם מתאם גבוה יותר ושגיאות נמוכות יותר מאשר אנסמבל ה‑IFS במהלך תקופת בדיקה של שנים רבות. חשוב מכך, הפיזור של אנסמבל ה‑AI תואם מאוד את שגיאת התחזית הטיפוסית, שהוא סימן ההיכר של מערכת הסתברותית מכוילת היטב. במחקר מקרה, ה‑AI משחזר יותר באופן נאמן את הצמיחה והצעידה המזרחית של אירוע MJO משמעותי מאשר המודל הפיזיקלי, שמטה להמעיט בעוצמתו ולחזור מהר מדי לתנאים נייטרליים.

מה המשמעות הזו למזג אוויר יומיומי ולמעבר לכך

עבור לא‑מומחים, המסקנה היא שבינה מלאכותית יכולה היום לעשות יותר מאשר להציע מפות מזג אוויר מהירות ומרשימות. מערכות כמו AIFS‑CRPS יכולות לכמת את ההסתברויות של תוצאות שונות — כמה סביר שגל חום יימשך, האם מסלול סופה עלול להזיז, או עד כמה דפוס רב־שבועי עשוי להיות יציב — לעתים טוב כמו, או טוב יותר מ, המודלים הפיזיקליים המתקדמים ביותר הקיימים כיום, ובחלק קטן מהעלות המחשובית. אתגרים נותרו, כגון שיפור ביצועים בטרופוספירה העליונה וכיול דרכי הטיפול בקיצוניות, אך עבודה זו מראה שאימון הסתברותי יכול להפוך את ה‑AI לכלי מועיל באמת לשירותי מזג אוויר ואקלים המודעים לסיכונים. בפועל, זה אומר תחזיות ממידע יותר עבור ממשלות, עסקים והציבור כשהדבר הכי חשוב.

ציטוט: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

מילות מפתח: חיזוי מזג אוויר בעזרת בינה מלאכותית, ניבוי אנסמבל, תחזיות הסתברותיות, ניבוי תת‑עונתי, תנודת מדדן–ג׳וליאן (Madden–Julian Oscillation)