SIGMAformer: пространственно-временной трансформер с гауссовыми смесями корреляций для глобального прогнозирования погоды

Почему важны более точные прогнозы погоды

От тепловых волн до внезапных штормов ветра — экстремальные погодные явления влияют на повседневную жизнь, энергопотребление и безопасность по всему миру. Современные моделирующие системы уже умеют моделировать атмосферу с впечатляющей детализацией, но их запуск может быть дорогим, и они иногда пропускают резкие локальные изменения. В этой статье представлен новый подход на основе искусственного интеллекта, который обучается непосредственно на тысячах наземных станций, чтобы делать глобальные прогнозы ветра и температуры более точными и информативными, особенно в непредсказуемых погодных ситуациях.

От сырых данных со станций к глобальному пониманию

Традиционное прогнозирование погоды опирается на физические модели, которые решают сложные уравнения на фиксированной сетке. В то же время миллионы измерений поступают со станций, разбросанных по планете неравномерно. Эти записи станции фиксируют локальные особенности — например, горные ветры или городское тепло — но их трудно связать в единое целостное представление. Многие современные системы машинного обучения справляются либо с крупномасштабными атмосферными структурами, либо с локальными деталями, но им часто трудно охватить оба уровня одновременно, и они обычно ведут себя как «чёрные ящики» с малоинформативными объяснениями причин прогнозов.

Новый способ находить общие шаблоны

Авторы предлагают SIGMAformer — архитектуру для прогнозирования, предназначенную для обучения тому, как погода в тысячах точек взаимодействует во времени. В её основе — механизм поиска шаблонов, который группирует похожие формы в данных, такие как повторяющиеся колебания скорости ветра или температуры, в несколько репрезентативных шаблонов. Вместо того чтобы рассматривать каждую станцию и каждый час по отдельности, модель изучает, какой шаблон активен где и когда. Эти шаблоны затем направляют вторую часть системы, которая уделяет повышенное внимание самым релевантным моментам и местам, одновременно ослабляя шумные или бесполезные сигналы. Такая целенаправленная фокусировка позволяет модели связать удалённые регионы, часто демонстрирующие схожее поведение погоды — например, части Восточной Азии и Северной Америки, связанные струйным течением.

Проследить погоду во времени и пространстве

Для оценки SIGMAformer авторы обучили её на двух годах почасовых данных по скорости ветра и температуре с 3850 станций по всему миру. Они сравнили её работу как со стандартными статистическими методами, так и с ведущими моделями глубокого обучения, используя общие метрики качества прогноза. Во всех случаях SIGMAformer показал наименьшие ошибки по обоим переменным, с особенно заметным улучшением для скорости ветра, которая обычно более непредсказуема, чем температура. При удалении ключевых частей конструкции, например модуля, изучающего изменяющиеся связи между станциями, качество заметно падало, что доказывает важность этих компонентов для эффективности модели.

Понимание «мышления» модели

Помимо чистой точности, исследование показывает, что SIGMAformer даёт окно в то, как он интерпретирует атмосферу. Модель генерирует карты и графики, раскрывающие, какие станции и временные периоды она считала наиболее важными для данного прогноза. Для температуры она подчёркивала как близлежащие станции, так и отдалённые регионы, известные связью крупномасштабными климатическими паттернами. Для ветра модель фокусировалась на более коротких расстояниях и быстро движущихся сигналах, соответствующих известному поведению струйных течений и планетарных волн. Эти визуальные шаблоны указывают на то, что система не просто запоминает данные, а выстраивает соответствие признанным физическим процессам, что помогает синоптикам доверять результатам и уточнять их.

Что это значит для будущих инструментов прогнозирования

В целом в статье делается вывод, что SIGMAformer — многообещающий шаг к системам прогнозирования, основанным на данных, которые объединяют детализацию, масштаб и интерпретируемость. Она требует больше вычислительных ресурсов, чем некоторые другие нейросетевые модели, поскольку явно отслеживает связи между тысячами станций. Однако в обмен модель даёт более точные прогнозы, лучше обнаруживает экстремальную жару и сильные ветры и даёт более чёткие подсказки о причинах прогнозов. По мере расширения подхода на большее число метеорологических переменных и оптимизации для более быстрой работы он может стать полезным компонентом систем оперативного оповещения и объединения данных множества различных экологических датчиков в единое, связное представление меняющейся атмосферы.

Цитирование: Kim, DY., Suk, HI. SIGMAformer: a spatiotemporal Gaussian mixture correlation transformer for global weather forecasting. npj Clim Atmos Sci 9, 113 (2026). https://doi.org/10.1038/s41612-026-01385-w

Ключевые слова: прогноз погоды, машинное обучение, прогноз скорости ветра, прогноз температуры, сети датчиков