AIFS-CRPS: ансамблевое прогнозирование с использованием модели, обученной на функции потерь, основанной на непрерывной ранговой вероятностной оценке

Почему для вас важны более адекватные шансы погоды

Когда вы смотрите прогноз, обычно показывают единственный вариант: дождь или солнце, жарко или холодно. Но атмосфера — хаотична, и важен не один ответ, а диапазон возможных исходов — особенно для штормов, волн тепла или многонедельных паттернов, влияющих на урожай, транспорт и энергопотребление. В этой статье представлен новый прогнозный комплекс на базе искусственного интеллекта, AIFS‑CRPS, который не просто предсказывает погоду на завтра; он оценивает вероятности множества разных будущих сценариев, часто точнее и эффективнее по сравнению с лучшими на сегодняшний день физическими суперкомпьютерными моделями.

От одиночного ответа к диапазону возможностей

Традиционные погодные модели используют законы физики и многократно моделируют атмосферу с немного разными начальными условиями. В совокупности такие «ансамбли» дают распределение вероятностей: насколько вероятен сильный дождь или резкое похолодание? Ранние модели машинного обучения, напротив, обучались минимизации средней ошибки единого прогноза, что вынуждало их сглаживать мелкие острые особенности, такие как интенсивные шторма. Они могли быть очень точны в типичные дни, но плохо передавали неопределённость и часто притупляли экстремумы. AIFS‑CRPS разработан для устранения этого разрыва: он прямо выдаёт вероятностные прогнозы, так что неопределённость заложена в модели изначально, а не добавляется позже.

ИИ, который учится честно оценивать неопределённость

AIFS‑CRPS — это ансамблевая версия Искусственной Интеллектуальной Прогнозной Системы ECMWF. Вместо того чтобы учиться соответствовать одному лучшему предположению о будущем, она генерирует множество правдоподобных будущих сценариев из одной модели ИИ, добавляя специально сформированный случайный шум во внутреннее представление атмосферы. Ключевое новшество — способ обучения: модель оптимизируют с использованием статистической меры, называемой непрерывной ранговой вероятностной оценкой (CRPS), которая поощряет прогнозные распределения, присваивающие высокую вероятность тому, что действительно происходит, и наказывает как пропуски событий, так и избыточную уверенность. Авторы вводят «почти честный» вариант этой меры, который корректирует смещения, вызванные конечным размером ансамбля, и при этом избегает численных патологий, мешающих обучению на современном оборудовании.

Более чёткая детальность без размывания

Один из главных тестов любой ансамблевой системы — сохраняет ли она реалистичную вариабельность по мере увеличения горизонта прогноза от часов до дней. В сравнении в парах более ранняя система ИИ, обученная с обычной функцией потерь MSE, постепенно теряла мелкомасштабную структуру, из-за чего карты с удалением по времени выглядели размытыми. Напротив, AIFS‑CRPS сохраняет детали и энергию на разных масштабах, ближе к тому, что видно в эталонных анализах и в продвинутых физических моделях. Авторы устраняют раннюю склонность модели наращивать избыточный мелкомасштабный шум путём «усечения» опорного поля, используемого в обучении — они удаляют самые крошечные колебания из предыдущего шага, чтобы ИИ не просто усиливал их, — при этом не приглушая подлинные мелкомасштабные погодные признаки. Это равновесие важно для корректного представления интенсивных штормов и других событий с большим воздействием.

Лучше современного уровня на интервалах от дней до недель

Команда сравнивает AIFS‑CRPS с высокоразрешающим ансамблем интегрированной прогнозной системы (IFS) ECMWF. Для прогнозов до 15 дней ансамбль ИИ показывает лучшие результаты по многим ключевым переменным, таким как температуры у поверхности и на уровне 850 гПа, ветры на уровне струйного течения и среднетропосферные поля давления. В зависимости от переменной улучшения в стандартных вероятностных и ошибочных метриках часто достигают 5–20 процентов. Ансамбль ИИ иногда демонстрирует «избыточную дисперсию» — его члены более разбросаны, чем строго требуется их средней ошибкой, — но это в основном побочный эффект использования возмущений начальных условий, настроенных для физической модели, а не для значительно меньшей ошибки ИИ. На более долгих субсезонных горизонтах от двух до шести недель система ИИ — несмотря на обучение только на прогнозах до 72 часов — сопоставима или превосходит IFS по ряду поверхностных и тропосферных полей при сравнении сырых прогнозов и остаётся конкурентоспособной, когда удаляются смещения и оценивается только навык по аномалиям.

Отслеживая медленное биение тропиков

Критическим тестом для субсезонных прогнозов является колебание Мэддена–Джулиана (MJO), медленно движущийся паттерн тропических возмущений, влияющий на муссоны, бури и даже погоду в средних широтах. С использованием стандартного индекса на основе аномалий ветра авторы показывают, что AIFS‑CRPS даёт прогнозы MJO с более высокими корреляциями и меньшими ошибками, чем ансамбль IFS за многолетний период тестирования. Важно, что разброс ансамбля ИИ очень близко соответствует типичной ошибке прогноза — признак хорошо откалиброванной вероятностной системы. В одном кейсе ИИ точнее воспроизводит рост и восточное продвижение крупного события MJO, тогда как физическая модель склонна недооценивать его силу и слишком быстро возвращаться к нейтральным условиям.

Что это означает для повседневной погоды и дальше

Для неспециалистов главный вывод в том, что ИИ теперь может делать нечто большее, чем просто быстро рисовать красивые карты погоды. Системы вроде AIFS‑CRPS умеют количественно оценивать шансы различных исходов — насколько вероятно продолжение волны тепла, может ли сместиться трек шторма или насколько стабильна многонедельная структура — зачастую так же хорошо или лучше, чем самые передовые физические модели, и при этом требуют лишь доли вычислительных ресурсов. Остаются задачи, например улучшение работы в стратосфере и тонкая настройка обращения с экстремумами, но эта работа показывает, что вероятностное обучение может превратить ИИ в действительно полезный инструмент для служб погоды и климата, ориентированных на риски. На практике это значит более информативные прогнозы для правительств, бизнеса и населения в критические моменты.

Цитирование: 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

Ключевые слова: прогнозирование погоды с помощью ИИ, ансамблевое прогнозирование, вероятностные прогнозы, субсезонное прогнозирование, колебание Мэддена–Джулиана