Продвижение оперативного глобального прогнозирования аэрозолей с помощью машинного обучения

Почему важно то, что мы не видим в воздухе

Воздух вокруг нас наполнен крошечными частицами из пустынь, пожаров, океанов и источников загрязнения человеческой деятельности. Хотя они невидимы, эти аэрозоли могут затемнять солнце, служить ядрами для образования облаков и раздражать наши лёгкие. Знание того, куда они направляются в ближайшие дни, помогает властям предупреждать население о пыльных бурях или дыме от пожаров, координировать авиацию и работу солнечных электростанций, а также уточнять климатические исследования. В этой статье представлена новая глобальная система прогнозирования, которая использует искусственный интеллект для предсказания этих частиц быстрее и во многих случаях точнее, чем современные модели, основанные преимущественно на физике.

Мелкие частицы с большим воздействием

Аэрозоли имеют множество источников — сажа от двигателей и пожаров, сульфат от электростанций, морская соль от разбивающихся волн и минеральная пыль с оголённой почвы. Их размеры, формы и химический состав сильно различаются, как и их эффекты. Одни охлаждают планету, отражая солнечный свет, другие согревают её, поглощая тепло, а многие ухудшают качество воздуха, способствуя заболеваниям дыхательной и сердечно‑сосудистой систем. Поскольку эти частицы перемещаются ветрами, вымываются дождём и трансформируются химическими реакциями, отслеживать их в реальном времени по всему миру гораздо сложнее, чем прогнозировать только температуру или давление. Традиционные модели вынуждены симулировать тысячи таких процессов, из-за чего прогнозы аэрозолей остаются неопределёнными и чрезвычайно затратными в вычислительном плане.

Обучение ИИ следовать за дымкой

Исследователи разработали управляемую ИИ глобальную систему прогнозирования аэрозолей и метеорологии, названную AI‑GAMFS, чтобы справиться с этой задачей. Вместо ручного кодирования каждого физического и химического шага они обучили очень большую нейронную сеть на 42 годах реанализной базы данных NASA, которая объединяет спутниковые и наземные измерения в согласованную картину атмосферы. Модель получает трёхмерные карты аэрозолей и погодных условий и пропускает их через «vision transformer», соединённый со струтурой кодер‑декодер в стиле U‑Net. По сути, она изучает закономерности того, как ветры, влажность и осадки перемещают и трансформируют разные типы частиц, а затем использует эти выученные взаимосвязи для предсказания того, как будет выглядеть глобальное поле аэрозолей через несколько часов.

Контроль ошибок на горизонте в пять дней

Одна из трудностей многодневного прогноза заключается в том, что небольшие ошибки имеют тенденцию расти при многократной подаче выхода модели обратно на вход. Чтобы ограничить это дрейфовое накопление ошибок, сохранив при этом 5‑дневные прогнозы, команда обучила четыре отдельные версии AI‑GAMFS, каждая из которых делает прыжки вперёд на 3, 6, 9 или 12 часов. При прогнозировании они работают в связке‑эстафете: используются более длинные шаги там, где возможно, а короткие заполняют оставшиеся промежутки. Тесты на годовых данных показывают, что такая эстафетная стратегия явно снижает рост ошибок по сравнению с использованием только одной модели с коротким шагом. Несмотря на свои размеры — примерно 1,2 миллиарда параметров в базовой модели — вся система может выдавать глобальные трёхчасовые 5‑дневные прогнозы менее чем за минуту на одном современном графическом ускорителе, что примерно в 360 раз быстрее одной из ведущих операционных моделей NASA на традиционных суперкомпьютерах.

Превосходя лучшие современные прогнозы аэрозолей

Авторы затем сравнили AI‑GAMFS с несколькими самыми современными системами. По сравнению с Службой наблюдения атмосферы Copernicus он дал более точные глобальные прогнозы общего состояния дымки (оптической толщины аэрозолей) и нагрузки пустынной пыли на большей части пятидневного окна, как по сравнению с реанализными данными NASA, так и по независимым измерениям с сети солнцефотометров AERONET. Над Восточной Азией, включая сильные пыльные бури на севере Китая, ИИ‑система превзошла четыре специализированные модели пыли в воссоздании того, где и с какой интенсивностью формировались и перемещались шлейфы. В сравнении с моделью GEOS‑FP от NASA AI‑GAMFS также давала лучшие предсказания для многих концентраций частиц у поверхности — таких как чёрный углерод и органический углерод от лесных пожаров и сульфат от антропогенных выбросов — над США и Китаем, при этом требуя значительно меньше вычислительных ресурсов.

Отслеживание дыма, пыли и загрязнений по типам

Поскольку AI‑GAMFS прогнозирует отдельные типы частиц наряду с их суммарным эффектом, система способна выделять конкретные события загрязнения почти в реальном времени. Примеры показывают, как система отслеживает сахарскую пыль через Атлантику и дым от пожаров в Центральной Африке и Южной Америке, фиксируя как их местное накопление, так и дальнюю транспортировку. Сила модели частично заключается в её способности учиться тому, как ключевые погодные особенности — такие как влажность, бури и масштабные ветры — формируют развитие шлейфов. В то же время её производительность всё ещё зависит от качества входных метеоданных, и авторы отмечают, что прогнозы некоторых переменных, например скорости ветра и морской соли, формируемой океанскими ветрами, отстают от лучших физических моделей.

Что это значит для повседневной жизни

Проще говоря, это исследование показывает, что тщательно обученный ИИ способен просмотреть десятилетия данных атмосферы, выучить, как дымка реагирует на погоду, а затем быстро выдавать подробные глобальные прогнозы частиц, сопоставимые или превосходящие самые продвинутые современные модели. Такая скорость и точность могут сделать предупреждения о качестве воздуха более своевременными, помочь городам и службам здравоохранения подготовиться к эпизодам пыли и дыма за несколько дней и поддержать планирование в области климата и энергетики посредством более точной информации об постоянно меняющемся покрывале частиц вокруг нашей планеты. Авторы рассматривают это как ранний шаг к гибридным системам, объединяющим физические законы и машинное обучение, что обещает более ясное понимание воздуха, которым мы дышим, и климата, который мы формируем.

Цитирование: Gui, K., Zhang, X., Che, H. et al. Advancing operational global aerosol forecasting with machine learning. Nature 651, 658–665 (2026). https://doi.org/10.1038/s41586-026-10234-y

Ключевые слова: прогнозирование аэрозолей, машинное обучение, качество воздуха, песчаные бури, дым от лесных пожаров