Dincolo de două săptămâni, prognoza meteo e cam o aruncare de zaruri. O corecție cu AI îi dublează scorul — care pornea de foarte jos.

📄 Articolul original, tradus integral

„Researchers improve weather forecasts looking two to six weeks out” — MIT News · Zach Winn, MIT News · 14 octombrie 2026. Titlul în română: „Cercetătorii îmbunătățesc prognozele meteo pentru intervalul de două până la șase săptămâni”. Subtitlul original: „A new machine-learning approach broke records for weather forecasting for an important time frame in emergency planning” („O nouă abordare prin învățare automată a doborât recorduri de prognoză meteo pentru un interval important în planificarea situațiilor de urgență”). Originalul, în engleză →

În 2021, Texas a suferit cel mai grav colaps al infrastructurii energetice din istoria statului, după trei viscole severe în februarie. Cel puțin 246 de oameni au murit în urma întreruperilor, care au dus la lipsă de hrană, apă, căldură și electricitate.

Dacă autoritățile din energie ar fi avut mai mult timp să se pregătească pentru viscole — de exemplu, aducând mai multe camioane cu gaz natural în zonele afectate —, pagubele ar fi putut fi reduse. Din nefericire, prognozele meteo dincolo de două săptămâni sunt notoriu nesigure, ceea ce lasă o fereastră de pregătire mult mai strânsă pentru operatorii din energie, fermieri și autoritățile de intervenție în caz de urgență din toată lumea.

O tehnică nouă, construită de o echipă care include cercetători de la MIT, îmbunătățește semnificativ prognoza meteo dincolo de două săptămâni. Cercetătorii au dezvoltat un model de învățare automată care învață să corecteze erorile modelelor de prognoză existente, ca să le îmbunătățească rezultatele pe intervalul de două până la șase săptămâni. Aplicat unui model de prognoză considerat etalon, a dublat acuratețea prognozei pe acel interval, luând locul 1 la un concurs internațional de prognoză important.

Într-o lucrare nouă publicată în Nature, cercetătorii descriu metoda și arată cum face posibile prognoze care, pentru prima dată, bat mediile climatologice pe intervalul de două până la șase săptămâni.

„Nu doar că se descurcă mai bine la prognozele mediate în timp pentru acest interval — lucru deja foarte util pentru fermieri și pentru cei din industria energiei, care încearcă să echilibreze oferta cu cererea —, ci îmbunătățește și predicția evenimentelor meteo extreme, fie că e vorba de inundații, valuri de frig sau altceva”, spune coautorul Judah Cohen, cercetător la MIT. „E foarte important să le prezicem pe amândouă, dar evenimentele extreme ar putea fi partea cu cel mai mare impact pentru societate din toate astea.”

Alături de Cohen pe lucrare sunt autorii principali Hannah Guan, studentă la Harvard College; Soukayna Mouatadid, cercetătoare postdoctorală la Universitatea Toronto; Genevieve Flaspohler (master MIT 2018, doctorat MIT 2022); Paulo Orenstein, profesor asociat la Institutul Național pentru Matematică Pură și Aplicată din Brazilia; Jeremy Berman, de la compania de date DTN; Jakob Schloer și Joshua Talib, cercetători la Centrul European pentru Prognoze Meteorologice pe Termen Mediu (ECMWF); și Alex Lu, Haiyu Dong, Jonathan Weyn, Zekun Ni și Lester Mackey, toți cercetători la Microsoft.

PROGNOZE MAI LUNGI. În anii 1970, profesorul de la MIT Edward Lorenz a formulat teoria haosului, ca să descrie cum schimbări minuscule în condițiile meteo inițiale duc la rezultate complet diferite.

„A venit cu limita teoretică aceasta de două săptămâni, dincolo de care pur și simplu nu mai putem prezice vremea, pentru că zgomotul din sistem crește atât de mult încât acoperă orice semnal de la care ai pornit”, spune Cohen. „Asta a avut o influență puternică asupra domeniului, care probabil i-a ținut pe oameni departe de a explora prognoza dincolo de intervalul de două săptămâni. Eu n-am crezut niciodată complet asta. Teoretic, atmosfera poate crea un număr infinit de tipare, dar îi place să recadă în aceleași tipare favorite, din nou și din nou. Odată ce se întâmplă un lucru, cred că poți prezice dominoul care va cădea după, și dominoul care va cădea după acela.”

Astăzi, cele mai bune prognoze meteo vin fie din modele dinamice, care simulează numeric cum evoluează în timp atmosfera și oceanele, fie din modele de inteligență artificială, care învață să facă predicții din date meteo istorice. Modelele de AI au arătat îmbunătățiri la prognoza pe termen scurt, dar sunt chiar mai slabe decât modelele dinamice pe intervale mai lungi.

Cohen, care lucrează în Departamentul de Inginerie Civilă și de Mediu al MIT, se concentrează pe prognoza meteo cu două până la șase săptămâni înainte, cunoscută ca prognoză „subsezonieră”. „Intervalul ăsta e numit «deșertul predictibilității», pentru că pe termen scurt poți profita de condițiile inițiale din sistemul climatic și din atmosferă, iar pe termen mai lung ai forțele de limită care variază lent, cum e super El Niño pe care toată lumea îl urmărește în iarna asta”, spune Cohen. „Intervalul subsezonier nu poate profita de niciuna dintre cele două. În cele mai multe cazuri, prognoza pe interval subsezonier nu e diferită de a te duce la cazinou și a da cu zarul.”

Cohen îi dă creditul coautorului său Lester Mackey, cu care colaborează de peste un deceniu, pentru ideea inițială de a folosi învățarea automată ca să reducă erorile din modelele de prognoză.

„Am construit acest «înveliș» — Lester îi spune postprocesare”, spune Cohen. „Știam că modelele de AI au multe erori, așa că ne-am gândit că poate le putem cuantifica și elimina.”

Pe când alte sisteme de prognoză fac o corecție a erorilor mai simplistă, stratul de postprocesare al echipei folosește AI pentru a învăța din greșelile istorice ale unui sistem de prognoză și îi ajustează predicțiile. Pe intervalul ăsta de timp, prognoza se face cu așa-numitele prognoze probabilistice, în care se dă probabilitatea unui interval de posibilități.

„Pe măsură ce apar mai multe prognoze și date, modelul nostru își îmbunătățește adaptiv corecția”, spune Cohen.

Pentru a construi modelul, cercetătorii au folosit MIT Engaging, un cluster de supercalcul găzduit de Oficiul MIT pentru Calcul și Date de Cercetare, dar modelul rezultat nu are nevoie de un supercalculator pentru a rula.

Ca să-și testeze modelul, anul trecut echipa a trimis trei modele care includeau stratul lor de postprocesare la Centrul European pentru Prognoze Meteorologice pe Termen Mediu (ECMWF), considerat cel mai bun centru de prognoză din lume. În fiecare sezon, ECMWF organizează concursuri de prognoză între modele.

Trimiterea care a luat locul 1 a combinat modelul de prognoză al ECMWF cu altul, apoi a aplicat peste el corecția de postprocesare. Abordarea asta a dublat puterea de predicție a modelului original pe intervalul subsezonier. Pentru prima dată, modelul a oferit o îmbunătățire față de simpla folosire a mediilor climatologice.

„Până acum, nimeni n-a putut arăta că un model prezice vremea mai bine decât mediile pe termen lung, pentru aceste prognoze subsezoniere”, spune Cohen. „Au fost cam toate mai proaste decât atât — literalmente puteai da cu banul și te descurcai mai bine. Oamenii s-au întrebat dacă merită deloc investit în modele pentru intervalul ăsta de timp. Noi batem constant mediile climatologice cu modelele noastre.”

Modelul a arătat și o îmbunătățire semnificativă statistic a capacității de a prezice vremea extremă.

„E una dintre cele mai importante descoperiri, pentru că e foarte dificil de realizat”, spune Cohen. „Când ECMWF și-a dezvoltat propria corecție de erori, non-AI, pentru modelul lor, s-a descurcat mai rău la prezicerea vremii extreme. Cred că asta se întâmplă pentru că corecția clasică de eroare, sau de bias, caută mereu media, în timp ce vremea extremă e la marginea probabilităților.”

În lucrarea din Nature, echipa a arătat că tehnica lor poate fi folosită pentru a îmbunătăți prognozele terestre în cele mai multe regiuni ale globului. Au mai aplicat tehnica de corecție a erorilor și altor modele și au arătat că le-a îmbunătățit și pe acelea, aducând modele mai slabe la nivelul prognozelor ECMWF.

„Ce e frumos la modelul nostru e că e un «înveliș» adăugat”, explică Cohen. „L-am folosit cu modelul dinamic al ECMWF, pentru că era considerat cel mai bun, dar poate fi folosit cu orice model. Îmbunătățește chiar și modele care sunt deja corectate pentru bias cu un alt algoritm de AI. Așa că arată o îmbunătățire robustă. Și e cu sursă deschisă și cost redus.”

Cohen spune că oficiul meteorologic al Republicii Kenya a contactat deja echipa, ca să implementeze modelul pentru a îmbunătăți prognoza sezonului musonic anual, ca să crească producția agricolă în iarna asta. Speră că și alte grupuri vor folosi modelul.

„Asta te-ar putea ajuta să decizi când să fertilizezi în jurul ploii, când vine un îngheț ca să protejezi culturile la recoltele de iarnă, sau să te ajute să eviți secetele”, spune Cohen. „Ar putea fi util și pentru energie și managementul situațiilor de urgență. Am vorbit cu oficiali din energie care spun: «Dacă mi se spune cu două zile înainte că vine o furtună de gheață, nu am timp suficient, dar dacă aș avea două săptămâni, ar putea fi de ajuns ca să mă pregătesc adecvat.»”

Lucrarea a fost susținută, în parte, de Fundația Națională pentru Știință a SUA, Fundația Carlos Chagas Filho pentru Sprijinirea Cercetării și Uniunea Europeană.

Reprinted with permission of MIT News (http://news.mit.edu/). Traducerea în limba română aparține redacției Fără Baliverne.