Rama super-rozdzielczości do skalowania w dół prognoz pogody opartych na uczeniu maszynowym w kierunku temperatury powietrza na poziomie 1 km

Wyraźniejsze lokalne prognozy w ocieplającym się świecie

Coraz więcej osób chce wiedzieć nie tylko, czy w przyszłym tygodniu będzie gorąco w ich mieście, lecz także czy ich konkretna okolica będzie się dusić czy pozostanie znośna. Tymczasem większość globalnych modeli pogodowych wciąż „widzi” świat w rozmytych blokach o boku liczącym dziesiątki kilometrów, wygładzając góry, wybrzeża i miejskie punkty gorąca. W tym badaniu przedstawiono SR-Weather, system sztucznej inteligencji, który bierze takie nieostre prognozy i wyostrza je do map temperatury na skalę uliczną, z zamiarem dostarczenia społecznościom lepszych ostrzeżeń przed niebezpiecznymi upałami i innymi lokalnymi ekstremami.

Dlaczego dzisiejsze prognozy nie uchwytują ekstremów dzielnicowych

Nowoczesne prognozowanie pogody poczyniło duże postępy, w tym nowe modele uczenia maszynowego, które dorównują lub przewyższają tradycyjne systemy oparte na fizyce, działając przy tym znacznie szybciej. Jednak niemal wszystkie te globalne modele operują na komórkach siatki o boku około 25 kilometrów. W obrębie jednej komórki może się znaleźć chłodne wybrzeże, gęsto zabudowane miasto i zalesione wzgórza — cechy, które silnie kształtują temperaturę, lecz zostają uśrednione do jednej wartości. Uruchamianie pełnych modeli fizycznych w rozdzielczości kilometrowej na okresy dni do tygodni wprzód wciąż jest zbyt kosztowne obliczeniowo do rutynowego stosowania. W rezultacie prognozy średniego zasięgu nie potrafią wiarygodnie odzwierciedlać miejskich wysp ciepła ani ostrych kontrastów między dolinami a grzbietami górskimi.

Wykorzystywanie satelitów do dodania drobnych szczegółów

Aby wypełnić tę lukę, autorzy zaprojektowali SR-Weather — głęboką sieć uczącą się „super-rozdzielczości”, która uczy się zamieniać gruboziarniste mapy temperatur na szczegółowe pola w rozdzielczości 1 km. Zamiast polegać na rzadkich stacjach naziemnych, używają produktów satelitarnych jako celu treningowego o wysokiej rozdzielczości. W szczególności zaczynają od globalnego produktu temperatury powierzchni lądowej z instrumentów MODIS NASA i przekształcają go w dobową średnią temperaturę powietrza przy powierzchni nad Koreą Południową. Następnie parują te mapy temperatury oparte na satelitach z grubszymi danymi reanalizy ERA5 (podobnymi rozdzielczościowo do współczesnych prognoz opartych na uczeniu maszynowym) przez prawie dwie dekady. Pozwala to sieci nauczyć się typowych sposobów, w jakie lokalne cechy — takie jak wysokość terenu, pokrycie terenu i pora roku — kształtują wzory temperatury w obrębie każdej grubej komórki siatki.

Dodanie wiedzy o terenie i porach roku

SR-Weather wykracza poza wcześniejsze modele poprawy obrazu, explicite wprowadzając dodatkowe mapy niosące istotny kontekst fizyczny. Należą do nich cyfrowy model terenu, który rozdziela grzbiety i doliny; mapa powierzchni nieprzepuszczalnej, wskazująca stopień zabudowy i tym samym siłę miejskiej wyspy ciepła; oraz sezonowe mapy klimatologiczne, podsumowujące gdzie przeciętnie jest cieplej lub chłodniej o różnych porach roku. Architektura modelu jest dostrojona tak, by zwracać szczególną uwagę nie tylko na warunki średnie, lecz także na lokalne szczyty i doliny temperatury, wykorzystując operacje grupowania (poolingu), które uwypuklają ekstremalne wartości zamiast je wygładzać. W testach przeciw innym zaawansowanym podejściom super-rozdzielczości, SR-Weather osiągnął najniższe błędy i najwyższe korelacje z temperaturami wyprowadzonymi z satelity, zwłaszcza w wysokich górach i gęstych miastach, gdzie struktura drobnej skali ma największe znaczenie.

Z lepszych obrazów do lepszych prognoz

Po treningu na historycznych danych ERA5 i satelitarnych, zespół zastosował SR-Weather do rzeczywistych prognoz z FuXi, wiodącego globalnego modelu pogodowego opartego na uczeniu maszynowym, który prognozuje do 15 dni wprzód w rozdzielczości 25 km. SR-Weather przekształcił gruboziarniste dobowe pola temperatur FuXi w mapy 1-kilometrowe nad Koreą Południową i został oceniony na podstawie gęstych sieci stacji naziemnych. W całym zakresie horyzontów 1–7 dni prognozy po super-rozdzielczości konsekwentnie lepiej zgadzały się z danymi stacji niż prosta interpolacja, a nawet przewyższały koreański operacyjny wysokorozdzielczy model numeryczny (LDAPS) na krótkich odcinkach. Co ważne, prognoza 7-dniowa SR-Weather z FuXi pokonała prognozę 1-dniową uzyskaną jedynie przez interpolację grubych pól, pokazując, że metoda nie tylko dodaje szczegóły, lecz także koryguje systematyczne błędy, wykorzystując informacje o terenie i urbanizacji.

Co to oznacza dla codziennych użytkowników pogody

Dla osoby nietechnicznej główne przesłanie jest takie, że możemy teraz używać szybkich, globalnych modeli pogodowych opartych na AI i „przybliżać” wyniki do skali sąsiedztwa bez uruchamiania kosztownych superkomputerów. SR-Weather uczy się z satelitów, gdzie miasta, góry i wybrzeża mają tendencję do nagrzewania się lub ochładzania w inny sposób, i używa tej wiedzy do wyostrzenia i dostosowania przyszłych prognoz temperatury. Choć badanie skupiło się na Korei Południowej, te same składniki — produkty satelitarne MODIS i podstawowe mapy powierzchni lądowej — są dostępne na całym świecie, co oznacza, że podobne systemy można wytrenować dla wielu regionów. W miarę jak ekstremalne upały stają się częstsze, narzędzia takie jak SR-Weather mogą pomóc planistom miejskim, operatorom sieci energetycznych i urzędnikom zdrowia publicznego zobaczyć, które dzielnice są najbardziej narażone na kilka dni wcześniej, umożliwiając bardziej ukierunkowane i terminowe działania.

Cytowanie: Park, H., Park, S., Kang, D. et al. A super-resolution framework for downscaling machine learning weather prediction toward 1-km air temperature. npj Clim Atmos Sci 9, 56 (2026). https://doi.org/10.1038/s41612-026-01328-5

Słowa kluczowe: prognozowanie pogody, super-rozdzielczość, miejskie wyspy ciepła, dane satelitarne, uczenie maszynowe