Оценка экологических затрат многоуровневых рекуррентных нейронных сетей для устойчивого краткосрочного прогнозирования экстремальных осадков

Почему важны более быстрые и экологичные прогнозы дождя

По мере того как города по всему миру всё чаще сталкиваются с внезапными ливнями и наводнениями, особенно в регионах с ограниченными ресурсами, дополнительные минуты предупреждения могут спасти жизни. Но компьютеры, которые стоят за современными погодными прогнозами, потребляют много энергии, дороги и часто недоступны для районов, где они наиболее нужны. В этой статье поднимается простой, но актуальный вопрос: можно ли создать инструменты искусственного интеллекта, которые предсказывают опасные осадки, будучи при этом доступными и экологически ответственными?

От суперкомпьютеров к «умным» образам на радаре

Краткосрочные прогнозы осадков, называемые «nowcasts», сегодня обычно получают с помощью крупных физически обоснованных моделей, которые подробно моделируют атмосферу. Эти системы хорошо работают во многих случаях, но испытывают трудности на очень коротких горизонтах в один–два часа — как раз тогда, когда людям нужны ясные указания при приближении ливня. Они также требуют огромных ресурсов суперкомпьютеров. Напротив, новые модели ИИ обучаются непосредственно на больших массивах изображений с метеорадаров, рассматривая эволюцию штормов как кадры видео. Рекуррентные нейронные сети, созданные для захвата изменения паттернов во времени, уже показали, что могут превосходить традиционные модели для прогноза осадков на ближние сроки.

Скрытая цена мощного ИИ

Однако эти системы ИИ приносят собственную проблему: они могут быть чрезвычайно большими, требуя много памяти, электричества и специализированных графических процессоров. Эта цена — не только финансовая. Обучение и запуск таких моделей потребляют энергию, что ведёт к выбросам углерода и косвенному расходу воды на электростанциях. Регионы, наиболее пострадавшие от экстремальных осадков — например, тропические города глобального Юга — часто в наименьшей степени способны позволить себе такое оборудование, что усиливает существующий разрыв в климате и технологиях. Авторы, проанализировав прошлые исследования, обнаружили, что почти никто фактически не измерял эти экологические последствия для nowcasting осадков, даже по мере роста и усложнения моделей.

Более экономный способ «читать» небо

Исследование сосредоточено на методе, называемом многоуровневой рекуррентной нейронной сетью (MS-RNN), который реорганизует существующие модели ИИ так, чтобы они одновременно обрабатывали радарные изображения на нескольких разрешениях. Вместо того чтобы обрабатывать каждую деталь в полном размере, сеть многократно сжимает, а затем восстанавливает изображения, что позволяет ей эффективнее фиксировать крупные структуры шторма и тонкие детали. Исследователи адаптировали три популярные модели nowcasting под этот многоуровневый дизайн и протестировали их на двух реальных наборах радарных данных: одном из Итальянских Альп и другом — из районов с высокой сложностью рельефа и городской застройкой в Рио-де-Жанейро, Бразилия. Они отслеживали не только точность прогнозов, но и использование памяти, время работы, потребление электроэнергии, оценочные выбросы CO2 и связанный расход воды.

Что показывают эксперименты о скорости, точности и следе

На наборе данных Альп многоуровневые версии моделей значительно сократили потребление ресурсов. Использование памяти уменьшилось примерно вдвое, время обучения сократилось примерно на половину или более, а потребление электроэнергии упало до примерно 70 процентов. Это выразилось в аналогичных сокращениях оценочных выбросов углерода и расхода воды, с экономией более 60 процентов для некоторых вариантов моделей. При этом качество прогнозов оставалось на том же уровне или даже слегка улучшалось по стандартным показателям ошибки и по метрике, оценивающей прогнозирование сильных осадков. В Рио-де-Жанейро, где погодные паттерны и рельеф более сложны, а радарные изображения мельче, выигрыш был более скромным. Многоуровневые модели по-прежнему потребляли меньше энергии и давали меньше выбросов, но их прогнозы были немного менее точны по сравнению с исходными версиями — хотя различия были достаточно малы, чтобы авторы считали такую компромиссную выгоду оправданной в условиях ограниченных ресурсов.

Ограничения и дальнейшие шаги для экстремальных ливней

Даже с этими улучшениями все протестированные модели по-прежнему испытывали трудности с наиболее редкими и интенсивными ливнями. Специальные показатели ошибки, придающие больше веса экстремальным событиям, показали, что сильные ливни остаются трудно предсказуемыми, отчасти потому, что они мало представлены в обучающих данных. Авторы указывают на новые подходы, сочетающие ИИ с физическими знаниями о штормах или использующие продвинутые генеративные модели для повышения чёткости радарных изображений, но отмечают, что эти методы обычно ещё более вычислительно затратны — и почти никогда не публикуют данные об их энергопотреблении или расходе воды. Поэтому в работе призывают к дальнейшим исследованиям, которые проектируют модели с учётом эффективности с самого начала и регулярно публикуют экологические метрики наряду с результатами по точности.

Что это значит для людей на местах

В практическом смысле статья показывает, что возможно создать инструменты ИИ, которые дают полезные краткосрочные предупреждения об осадках, потребляя при этом значительно меньше памяти, энергии и воды, чем многие существующие системы. Для таких городов, как Рио-де-Жанейро, где наводнения и оползни — частое явление, а бюджеты ограничены, такие «зелёные» подходы к ИИ могут помочь сделать современные системы раннего предупреждения доступными, а не оставлять их только для хорошо финансируемых метеоцентров. Работа не решает задачу идеального прогнозирования самых экстремальных штормов, но прокладывает практический путь к системам прогнозирования, которые одновременно более устойчивы и более справедливы.

Цитирование: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

Ключевые слова: экстремальные осадки, метеорологический радар, глубокое обучение, устойчивая ИИ, nowcasting