Гибридная платформа для глобального прогноза погоды с низкоразрешающим динамическим ядром и многосетевым нейронным оператором

Почему важны быстрые и умные прогнозы

Прогнозы погоды формируют повседневные решения и защищают жизни и имущество — от планирования рейсов до подготовки к штормам. Однако самые точные прогнозы даются крупными вычислительными моделями, которые требуют большого времени и энергии. В то же время современные системы искусственного интеллекта могут предсказывать погоду быстро, но иногда нарушают базовые законы физики, что вызывает обеспокоенность у синоптиков. В этом исследовании предложен новый способ объединить оба подхода, сохранив скорость ИИ при сохранении физической правдоподобности традиционных моделей погоды.

Смешение двух способов видеть атмосферу

Традиционное численное прогнозирование погоды опирается на уравнения, описывающие движение и изменения воздуха. Эти модели надежны, но их дорого запускать с высоким разрешением по всему земному шару. Чисто ИИ‑модели изучают закономерности прямо по историческим данным и работают значительно быстрее, однако со временем они могут удаляться от реального поведения атмосферы. Авторы предлагают гибридную систему под названием HMgNO, которая сочетает простую, низкоразрешающую физическую модель с нейронной сетью в роли умного корректора, подталкивающего прогнозы обратно к реалистичным значениям.

Как работает гибридная система

Гибридная схема следует повторяющемуся циклу. Сначала низкоразрешающая физическая модель продвигает атмосферу по известным уравнениям движения. Её грубый прогноз затем масштабируется назад на более тонкую сетку. Далее нейронный оператор, обученный на годах исторических данных, оценивает и корректирует ошибки прогноза. Скорректированное состояние становится исходной точкой для следующего шага. Поскольку нейросеть видит только входы и выходы физической модели, ей не нужно пропускать градиенты через физический код. Такой «включи и работай» дизайн позволяет вставлять многие существующие модели погоды в эту схему без их переписывания.

Насколько хорошо она предсказывает погоду

Исследователи протестировали HMgNO на глобальных прогнозах до 10 дней вперёд и сравнили её с тремя сильными соперниками: операционной системой прогнозирования HRES, ведущей ИИ‑моделью Pangu‑Weather и другим гибридным решением NeuralGCM. По стандартным мерам ошибки прогноза и совпадения структурных паттернов HMgNO сравнялась или превзошла эти модели на более дальних горизонтах по многим ключевым величинам, таким как ветры и поля давления в верхних слоях атмосферы. Хотя в первые несколько дней её точность немного уступает HRES, ошибки растут медленнее, и к 10‑му дню они минимальны, особенно для верхнеатмосферных полей, управляющих крупномасштабными погодными системами.

Соблюдение реальной физики

Помимо чистой точности, команда изучала, насколько физически реалистичны прогнозы. Они сосредоточились на балансе между полями давления и ветрами в средних и высоких широтах, где атмосфера обычно следует известному геострофическому равновесию. Чисто ИИ‑модели имели тенденцию терять это равновесие по мере удлинения прогноза, что приводило к нереалистичным структурам ветра. В отличие от них, HMgNO и другой гибридный подход сохраняли вертикальную структуру, значительно ближе к эталонному реанализу, что указывает на более здоровые связи между полями массы и ветра. Кейсы по температуре у поверхности над океаном, тропическим лесом и пустыней показали, что HMgNO также может усваивать суточные циклы нагрева и охлаждения для разных ландшафтов без использования сложных поверхностных параметризаций, применяемых в стандартных моделях.

Скорость, стоимость и энергосбережение

Крупные ИИ‑ и гибридные модели часто требуют огромных объёмов обучающих данных и мощных кластеров специализированных чипов. Pangu‑Weather и NeuralGCM обучались на почти четырёх десятилетиях качественных данных с использованием сотен высокопроизводительных процессоров в течение дней или недель, что отражает значительные денежные и энергетические затраты. HMgNO, напротив, достигла сопоставимого уровня прогноза, используя всего 12 лет данных и четыре потребительские графические карты, завершив обучение менее чем за два дня и сохранив данные объёмом менее одного терабайта. Такое драматическое снижение затрат и требований к оборудованию снижает барьер для исследовательских групп и метеослужб, которые не имеют доступа к гигантским вычислительным ресурсам.

Что это значит для будущих прогнозов

Исследование демонстрирует, что продуманное партнёрство между моделями, основанными на физике, и ИИ может обеспечить точные, стабильные и физически согласованные глобальные прогнозы при доле стоимости обучения по сравнению с нынешними лидерами. HMgNO не лишена недостатков: ограниченная вертикальная детализация в данных для обучения и компромисс между чёткостью мелкомасштабных особенностей и общей ошибкой всё ещё ограничивают производительность. Тем не менее платформа гибкая и готова выиграть от более богатых данных, более высокого разрешения и новых методов оценки неопределённости. Для общества эта линия исследований указывает на более быстрые, доступные и надёжные погодные рекомендации, которые помогут в повседневных решениях и улучшат подготовку к экстремальным явлениям.

Цитирование: Hu, Y., Yin, F., Zhang, W. et al. A hybrid framework for global weather forecasting via low-resolution dynamical core and multigrid neural operator. npj Clim Atmos Sci 9, 112 (2026). https://doi.org/10.1038/s41612-026-01374-z

Ключевые слова: гибридный прогноз погоды, нейронный оператор, численное прогнозирование погоды, искусственный интеллект, глобальные климатические данные