Meddig terjednek az előrejelzések látóhatárai? | National Geographic

Az időjárás előrejelzése mindig is kihívást jelentett, és a tudomány jelenlegi állása szerint a két hét az a maximális időtartam, amelyre megbízható előrejelzést adhatunk. Ugyanakkor van remény, hogy a jövőbeli kutatások révén ez a határ kibővülhet.

A légkörünk rendkívül bonyolult és kaotikus rendszer, amelyet számos tényező alakít. Ahhoz, hogy képesek legyünk előre jelezni ennek a rendszernek a viselkedését, csupán a mögöttes törvényszerűségek megértése nem elegendő; hatalmas mennyiségű adat is szükséges. A mérések pedig számos különböző kategóriát ölelnek fel, és ezeket a lehető legtöbb helyszínen és időpontban kellene rögzíteni.

Itt azután már csak a következő akadály áll szemben a jó előrejelzéssel: az irgalmatlan számítási igény, ami még a szuperszámítógépnek se könnyű. Azt viszont könnyű megérteni, hogy minél lassabb a számítás, annál hamarabb elavulnak a felhasznált adatok, így a végeredmény néha köszönő viszonyban se lesz a valósággal.

Az 1960-as években, vagyis nagyjából a modern kori meteorológia hajnalán a káoszelmélet, ennek közismert formája, a "pillangóhatás" megszületésével egy 14 napos elméleti limitet találtak a szakemberek, ez a fal azóta is az előrejelzések előtt tornyosul. A pillangóhatás alatt azt érthetjük, hogy a kezdeti feltételekben (vagyis azokban az adatokban, amelyekből az előrejelzést számolják) egy egészen kicsike eltérés is nagy változást eredményez hosszabb távon. Egy bizonyos időtáv után ez az eltérés már akkora lesz, hogy abszolút pontatlanná válik az előrejelzés.

Egy friss, egyelőre csak preprint formájában elérhető kutatás szerint két amerikai tudós arra a következtetésre jutott, hogy a távok megduplázása mesterséges intelligencia alkalmazásával lehetséges – számolt be róla a Science. A gyakorlatban a modellek körülbelül 10 napra előre tudnak valamilyen szintű, hasznos előrejelzést adni, azonban a hétköznapi életben megbízhatóan alkalmazható előrejelzések jelenlegi határideje körülbelül 5 nap.

A Google által kifejlesztett mesterséges intelligencia alapú időjárásmodell, GraphCast, révén a múltbéli időjárási adatok elemzésével készült egy innovatív "előrejelzés". A projekt során a 2020-as év időjárási adatait használták fel, napi két alkalommal készítve előrejelzéseket, miközben folyamatosan finomították a használt módszereket. A kutatás fő célja az volt, hogy minimalizálják a pontos számításokhoz szükséges adatmennyiséget, ezzel növelve az előrejelzések megbízhatóságát.

Ezzel a megközelítéssel olyan eredményeket sikerült elérnem, amelyek lehetővé tették egy 30 napos időszakra vonatkozó megbízható előrejelzés kidolgozását. Az új módszer segítségével a 10 napos előrejelzések hibáinak 86%-át sikerült kiküszöbölni, emellett a rövidebb időtávú előrejelzések pontosságán is jelentős javulást értek el.

A kutatók véleménye szerint a gépi tanulás alapú megközelítést, ha a klasszikus modellekkel ötvözik, még hatékonyabbá lehet tenni az előrejelzések terén. Ugyanakkor, mióta egy konferencián bemutatták ezeket az eredményeket, számos kritika érkezett a kutatók irányába.

Néhány vélemény szerint a kutatás gyengesége abban rejlik, hogy nem valós idejű előrejelzést nyújtottak, hanem csupán a múlt időjárási adatai alapján egyfajta "rekonstruált" előrejelzést készítettek. Thomas Selz és kollégái 2023-ban végzett tanulmányukban arra a következtetésre jutottak, hogy a mesterséges intelligencia alapú modellek éppen azokat a finom, látszólag jelentéktelen tényezőket hagyják figyelmen kívül, amelyek miatt az előrejelzések időtartama nem meghosszabbítható.

Az sem biztos, hogy a két hetes határ valóban létezik. Az 1960-as években használt egyenletek rendkívül érzékenyek voltak a kiindulási paraméterekre, ami hozzájárult ahhoz, hogy a pillangóhatás fogalma ennyire fontossá váljon.

Edward Lorenz, a káoszelmélet és a pillangóhatás megalkotója, aki egyben matematikus és meteorológus is volt, maga is bizonytalan volt abban, hogy a kaotikusan viselkedő rendszerek előrejelezhetősége meddig terjed. Ennek következtében napjainkban is sokan úgy gondolják, hogy a két hetes határ csupán egy tapasztalati megfigyelés, nem pedig a rendszer belső jellemzőjéből adódó következmény.

A kezdeti feltételek között szereplő nagyméretű hőmérsékleti adatokat finomított, míg bizonyos széladatokat fokozott figyelmet kapott - utóbbiakat általában a gyakorlatban alkalmazott számítások során gyengébbnek szokták tekinteni. Ezek a megfigyelések arra utalnak, hogy ha egy mesterséges intelligencia modell megfelelő mennyiségű adathoz jut, képes lehet túllépni az ember által megszabott számítási határokon.

Selz véleménye szerint ezek az igazítások nem feltétlenül tükrözik a légkör valódi helyzetét. Elképzelhető, hogy ezek csupán az MI-modell saját működését segítő mechanizmusai. A kutató úgy látja, hogy a GraphCast modellje nem annyira előrejelzést ad, mint inkább egy önbeteljesítő jóslatot generál.

Egyelőre nem kell attól "tartani", hogy sziklaszilárd 30 napos időjárási előrejelzések születnek - ha ilyennel találkozunk egy weboldalon, akkor mindig jusson eszünkbe: jelen képességeink, adataink és számítási kapacitásunk alapján ez lehetetlen. Azonban sokan vélik úgy, hogy Lorenz pillangói sokkal kisebb zavart okoznak csak a légkörben, mint azt eredetileg hitték.