AIFS-CRPS: prognozowanie zespołowe przy użyciu modelu trenowanego z funkcją straty opartą na ciągłej skumulowanej ocenie prawdopodobieństwa

Dlaczego lepsze oceny szans pogodowych mają dla ciebie znaczenie

Kiedy sprawdzasz prognozę, zwykle widzisz jedną odpowiedź: deszcz albo słońce, gorąco albo zimno. Atmosfera jest jednak chaotyczna, a istotna jest gama możliwości — szczególnie w przypadku burz, fal upałów czy wielotygodniowych wzorców wpływających na plony, podróże i zużycie energii. W artykule przedstawiono nowy system prognostyczny oparty na sztucznej inteligencji, AIFS‑CRPS, który nie tylko zgaduje jutro pogodę; ocenia prawdopodobieństwa wielu różnych przyszłości, często bardziej trafnie i wydajnie niż najlepsze dziś modele fizyczne działające na superkomputerach.

Od pojedynczych odpowiedzi do zakresów możliwości

Tradycyjne modele pogodowe wykorzystują prawa fizyki do wielokrotnego symulowania atmosfery z nieznacznie różnymi warunkami początkowymi. Razem te prognozy „zespołowe” dają rozkład prawdopodobieństwa: jak prawdopodobne są intensywne opady lub nagły chłód? Wczesne modele uczenia maszynowego, przeciwnie, były trenowane tak, by minimalizować średni błąd pojedynczej prognozy, co skłaniało je do wygładzania drobnych, ostrych cech, takich jak gwałtowne burze. Mogły być zaskakująco dokładne w typowe dni, ale miały problemy z reprezentacją niepewności i często tłumiły ekstremalne zjawiska. AIFS‑CRPS ma za zadanie zamknąć tę lukę, tworząc prognozy probabilistyczne bezpośrednio, tak że niepewność jest wbudowana w model zamiast być dodawana później.

Sztuczna inteligencja, która uczy się być szczerze niepewna

AIFS‑CRPS to wersja zespołowa Systemu Prognozowania Sztucznej Inteligencji ECMWF. Zamiast uczyć się dopasowywać do jednej najlepszej prognozy, uczy się generować wiele prawdopodobnych przyszłości z jednego modelu AI poprzez dodawanie starannie ukształtowanego losowego szumu do wewnętrznej reprezentacji atmosfery. Kluczową innowacją jest sposób trenowania: model optymalizowany jest przy użyciu miary statystycznej zwanej Ciągłą Skumulowaną Oceną Prawdopodobieństwa (CRPS), która nagradza rozkłady prognozy przypisujące wysokie prawdopodobieństwo temu, co się rzeczywiście zdarza, i karze zarówno przeoczone zdarzenia, jak i nadmierną pewność siebie. Autorzy wprowadzają „prawie uczciwą” wersję tej miary, która koryguje uprzedzenia wynikające z ograniczonej liczby członków zespołu, unikając jednocześnie patologii numerycznych, które mogłyby zaburzyć trening na nowoczesnym sprzęcie.

Bardziej ostre detale, które nie znikają w rozmyciu

Jednym z głównych testów każdego systemu zespołowego jest to, czy zachowuje realistyczną zmienność, gdy prognoza rozciąga się od godzin do dni. W porównaniach „jeden na jeden” wcześniejszy system AI trenowany przy użyciu standardowej funkcji straty średniokwadratowej stopniowo tracił strukturę drobnej skali, sprawiając, że mapy wyglądały na rozmyte wraz z wydłużeniem czasu prognozy. W przeciwieństwie do tego AIFS‑CRPS zachowuje detale i energię w różnych skalach, bliżej tego, co widać w analizach referencyjnych i zaawansowanych modelach fizycznych. Autorzy rozwiązali wczesną tendencję modelu do nadmiernego wzrostu drobnego szumu przez „przycinanie” pola referencyjnego używanego podczas treningu — usuwanie najmniejszych zawirowań z poprzedniego kroku, aby AI nie wzmacniała ich bezmyślnie — bez tłumienia prawdziwych drobnoskalowych cech pogodowych. Ta równowaga jest kluczowa dla reprezentacji intensywnych burz i innych zdarzeń o dużym znaczeniu.

Lepsze od stanu techniki na dni i tygodnie

Zespół porównuje AIFS‑CRPS z wysokorozdzielczym Zintegrowanym Systemem Prognozowania (IFS) ECMWF. Dla prognoz sięgających do 15 dni zespół AI osiąga lepsze wyniki dla wielu kluczowych zmiennych, takich jak temperatury przy powierzchni i na poziomie 850 hPa, wiatry na poziomie prądu strumieniowego oraz wzorce ciśnienia w środkowej troposferze. W zależności od zmiennej ulepszenia w standardowych miarach probabilistycznych i błędu sięgają często 5–20 procent. Zespół AI czasem wykazuje „nadmierne rozproszenie” — jego członkowie są bardziej rozrzuceni, niż wynikałoby to z ich średniego błędu — ale jest to w dużej mierze efekt uboczny używania perturbacji warunków początkowych dopasowanych do modelu fizycznego, a nie do znacznie niższego błędu systemu AI. W dłuższych, subsezonowych terminach od dwóch do sześciu tygodni system AI — mimo że był trenowany tylko na prognozach do 72 godzin — dorównuje lub przewyższa IFS dla wielu pól powierzchniowych i troposferycznych, gdy rozważa się surowe prognozy, i pozostaje konkurencyjny po usunięciu błędów systematycznych, gdy liczy się jedynie umiejętność przewidywania anomalii.

Śledząc wolne bicie tropików

Kluczowym testem dla prognoz subsezonowych jest Oscylacja Madden–Juliana (MJO), wolno przemieszczający się wzorzec zaburzeń tropikalnych, który może wpływać na monsun, burze, a nawet pogodę w średnich szerokościach geograficznych. Używając standardowego indeksu opartego na anomaliach wiatru, autorzy pokazują, że AIFS‑CRPS generuje prognozy MJO o wyższych korelacjach i niższych błędach niż zespół IFS w wieloletnim okresie testowym. Co ważne, rozpiętość zespołu AI bardzo dokładnie odpowiada typowemu błędowi prognozy — znak dobrze skalibrowanego systemu probabilistycznego. W studium przypadku AI wierniej odtwarza wzrost i wschodni przemarsz dużego zdarzenia MJO niż model fizyczny, który ma tendencję do niedoszacowania jego siły i zbyt szybkiego przechodzenia w stronę warunków neutralnych.

Co to oznacza dla codziennej pogody i nie tylko

Dla osób niebędących specjalistami wniosek jest taki, że AI potrafi dziś zrobić więcej niż tylko szybko generować atrakcyjne mapy pogodowe. Systemy takie jak AIFS‑CRPS mogą kwantyfikować prawdopodobieństwa różnych wyników — jak prawdopodobne jest utrzymanie się fali upałów, czy tor burzy może się przesunąć, albo jak stabilny może być wielotygodniowy wzorzec — często równie dobrze lub lepiej niż najbardziej zaawansowane dziś modele fizyczne, i przy ułamku kosztów obliczeniowych. Wyzwania pozostają, na przykład poprawa wydajności w stratosferze i dopracowanie obsługi ekstremów, ale ta praca pokazuje, że trening probabilistyczny może przekształcić AI w rzeczywiście użyteczne narzędzie dla usług pogodowych i klimatycznych świadomych ryzyka. W praktyce oznacza to bardziej informacyjne prognozy dla rządów, przedsiębiorstw i społeczeństwa, gdy jest to najważniejsze.

Cytowanie: 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

Słowa kluczowe: AI prognozowanie pogody, prognoza zespołowa, prognozy probabilistyczne, prognozowanie subsezonowe, Oscylacja Madden–Juliana