Kako računala predviđaju vrijeme? Od sedam jednadžbi fizike do umjetne inteligencije

Neprekidni tok meteoroloških podataka slijeva se u mrežu prognostičkih centara, gdje se informacije filtriraju, provjerava im se kvaliteta i pripremaju se kao ulazni podaci za numeričke modele prognoze vremena. Podaci dolaze sa satelita, radiosonda, meteoroloških radara, meteoroloških postaja, brodova, plutača na morima i jezerima, zrakoplova, slobodno lebdećih balona i automatskih meteoroloških postaja.

Svi ti podaci ulaze u numeričke modele koji se izvršavaju na superračunalima sposobnima obaviti bilijune operacija u svega nekoliko sati. Prema gruboj procjeni, za jedan izračun modela Europskog centra za srednjoročnu prognozu vremena (ECMWF) priprema se oko 0,05 TB ulaznih podataka, dok izlaz čini globalna ansambl-prognoza za deset dana, velika između 50 i 100 TB. Za usporedbu, u 100 TB podataka moglo bi se pohraniti nekoliko stotina milijardi osnovnih zapisa o ljudima, poput imena, prezimena, adrese i OIB-a, višestruko više od ukupnog broja stanovnika Zemlje.

Svi ti podaci služe kao ulaz za izračun budućeg stanja atmosfere, a ono je određeno zakonima fizike. Na prvi pogled problem izgleda jednostavno jer se numerička prognoza vremena temelji na rješavanju svega sedam jednadžbi fizike koje opisuju stanje atmosfere. No postoji jedna ključna prepreka: te su jednadžbe nelinearne.

Osnova moderne prognoze vremena

U svim prognostičkim centrima temelj prognoze čine asimilacija meteoroloških mjerenja i izračun numeričkih modela koji simuliraju razvoj i premještanje vremenskih sustava na Zemlji. Ti modeli temelje se na fizici atmosfere i prikazu procesa pomoću fizikalnih parametara, dok matematički modeli iz početnog stanja atmosfere integracijom kroz vrijeme izračunavaju njezino buduće stanje.

Pritom se moraju poštovati zakoni fizike, termodinamike i dinamike fluida. Atmosfera je fluid, stišljiv je, rotira zajedno sa Zemljom i izrazito je nestabilan. Kako bi se opisalo stanje atmosfere na određenom području, model izračunava meteorološke parametre na trodimenzionalnoj mreži točaka. U svakoj od njih računaju se brzina vjetra u tri smjera, tlak, gustoća zraka, temperatura i vlaga te njihove promjene tijekom vremena.

Fizika atmosfere opisana je sa sedam jednadžbi. Dvije jednadžbe horizontalnog gibanja opisuju kako se zrak ubrzava pod utjecajem razlika tlaka, trenja i Coriolisove sile. Vertikalna jednadžba gibanja objašnjava dizanje i spuštanje zraka. U globalnim modelima, primjerice na razini cijele Zemlje ili polutke, ona se često pojednostavljuje, dok se u modelima visoke rezolucije, primjerice za područje Balkana, koristi u punom obliku. Te tri jednadžbe zajedno opisuju gibanje zraka.

Jednadžba kontinuiteta osigurava očuvanje mase, odnosno činjenicu da zrak ne može ni nastati ni nestati. Termodinamička jednadžba prati promjene temperature zbog širenja, sabijanja i izmjene energije. Jednadžba vlage opisuje vodu u svim agregatnim stanjima, dok jednadžba stanja povezuje tlak, temperaturu i gustoću zraka.

Zajedno čine zatvoren sustav kojim se fizika primjenjuje na atmosferu. Međutim, upravo zbog njihove nelinearnosti ne postoji potpuno točno rješenje. Model iz početnog stanja korak po korak, minuta po minuta, izračunava buduće stanje atmosfere, ali rezultat je uvijek aproksimacija.

Drugim riječima, i najmanja pogreška u početnim podacima, primjerice razlika od samo 0,1 Celzijeva stupnja, tijekom izračuna može se višestruko povećati. Da je sustav linearan, prognoza bi mogla ostati potpuno točna i nakon tridesetak dana simulacije. No upravo nelinearnost u sustav unosi kaos.

Gdje prognoza počinje gubiti pouzdanost

Meteorolozi mogu raspolagati najboljim jednadžbama fizike, najnaprednijim superračunalima i najsuvremenijim metodama izračuna, ali i dalje neće dobiti savršenu prognozu. Razlog je jednostavan: početno stanje atmosfere nikada nije moguće izmjeriti potpuno precizno.

Oceani su i dalje relativno slabo pokriveni mjerenjima, satelitska promatranja imaju svoja ograničenja, a u nelinearnom sustavu svaka početna pogreška s vremenom eksponencijalno raste.

Kako bi se smanjio utjecaj te nesigurnosti, danas se više ne izrađuje samo jedna prognoza, nego desetci njih istodobno. Takav pristup naziva se ansambl prognoza.

Model se pokreće 50 ili više puta, pri čemu svaki član ansambla polazi od neznatno izmijenjenih početnih uvjeta. U svakom pokretanju namjerno se uvode vrlo male, matematički izračunate promjene temperature, tlaka ili vjetra.

Ako svih 50 izračuna nakon pet dana pokazuje kišu, prognoza se smatra vrlo pouzdanom. Ako polovica članova predviđa sunčano vrijeme, a druga polovica snijeg, jasno je da je atmosfera izrazito nestabilna i da je prognoza nesigurna.

Upravo iz tog omjera proizlaze postoci vjerojatnosti koje svakodnevno viđamo u prognozama, primjerice "70 posto vjerojatnosti za kišu". Ako svi članovi ansambla daju gotovo isti rezultat, prognoza je stabilna. Ako se međusobno razilaze, raste nesigurnost, koja se zatim izražava kroz postotak vjerojatnosti ostvarenja pojedinog scenarija.

Umjetna inteligencija mijenja prognoziranje, ali ne zamjenjuje fiziku

Posljednjih godina razvijeni su brojni modeli umjetne inteligencije za prognozu vremena. Među najpoznatijima su GraphCast, koji je razvio Google DeepMind, Pangu-Weather tvrtke Huawei, GenCast, također Googleov model usmjeren na predviđanje vremenskih rizika do 15 dana unaprijed, te FourCastNet koji je razvila NVIDIA.

Istodobno, u Europskom centru za srednjoročnu prognozu vremena (ECMWF), čija je članica i Hrvatska, razvija se operativni sustav AIFS, temeljen na algoritmima umjetne inteligencije.

Prednost AI modela je brzina. Prognozu za cijeli planet mogu izračunati u svega nekoliko sekundi, dok klasičnim numeričkim modelima za jedan cjeloviti prognostički ciklus trebaju sati.

No između klasičnih i AI modela postoji jedna suštinska razlika.

Klasični modeli izračunavaju fiziku atmosfere. Umjetna inteligencija fiziku ne poznaje, nego prepoznaje obrasce iz goleme količine podataka iz prošlosti.

To znači da fizikalni model može izračunati i ekstreman događaj koji se nikada prije nije dogodio, ako ga zakoni fizike dopuštaju. Umjetna inteligencija to ne može. Ako se susretne sa situacijom kakvu nikada nije "vidjela", sklona ju je podcijeniti.

Upravo zato klimatske promjene i sve češći meteorološki ekstremi predstavljaju svojevrsni test za AI modele.

Ključni je problem u tome što se klima mijenja. Umjetna inteligencija trenirana je na podacima iz prošlosti i u svojem sustavu nema ugrađenu varijablu koja sama po sebi opisuje promjene klime ili povećanje i smanjenje pojedinih meteoroloških parametara. AI može prepoznati posljedice, ali ne razumije njihove uzroke.

Ako se model umjetne inteligencije nađe izvan raspona podataka na kojima je treniran, ulazi u područje povećane nepouzdanosti i može početi "halucinirati".

Fizikalni modeli nemaju taj problem. Ako se u jednadžbama poveća koncentracija stakleničkih plinova, model će reagirati u skladu sa zakonima fizike: temperatura će rasti, atmosfera će sadržavati više vlage, a oborine će postati intenzivnije. Pritom nije važno je li se takva situacija već dogodila u prošlosti. Fizikalni model ne uspoređuje stare obrasce, nego iz ulaznih meteoroloških parametara izračunava buduće stanje atmosfere.

Kako spojiti fiziku i umjetnu inteligenciju

Kako bi se prevladala ograničenja umjetne inteligencije, danas se razvijaju tri glavna pristupa.

Prvi je treniranje AI modela na simulacijama buduće klime koje stvaraju fizikalni modeli.

Drugi je ugradnja fizikalnih ograničenja u same AI modele kako ne bi mogli kršiti osnovne zakone fizike.

Treći, koji se smatra najperspektivnijim, razvoj je hibridnih modela koji sve više postaju standard moderne numeričke prognoze vremena.

U takvom sustavu fizikalni model ostaje temelj. On opisuje globalnu cirkulaciju, energetsku ravnotežu, zračenje i klimatske trendove. Umjetna inteligencija preuzima računalno najzahtjevnije dijelove izračuna, poput mikrofizike oblaka, turbulencije i drugih procesa malih razmjera. Istodobno uspoređuje prethodno viđene obrasce s novim izračunima i odabire najsličnija rješenja.

Dodatna prednost umjetne inteligencije jest mogućnost da u vrlo kratkom vremenu generira ogroman broj mogućih scenarija te tako praktički proširi ansambl prognoza na razinu koja je donedavno bila računalno nedostižna.

Gdje završava model, a počinje meteorolog?

Numerički model ne daje konačnu prognozu vremena, nego skup mogućih rješenja. Njihovo tumačenje i dalje je posao meteorologa.

Upravo tada dolazi do izražaja iskustvo prognostičara. Meteorolog zna prepoznati tipične pogreške pojedinog modela, razumije kako se određeni model ponaša u specifičnim situacijama, primjerice nad Jadranom ili u područjima složene orografije, te zna prepoznati slučajeve u kojima ansambl stvara privid sigurnosti iako je signal zapravo nepouzdan.

Model pruža fizikalno dosljedan okvir, ali procjena koji je scenarij u tom okviru najvjerojatniji i dalje ostaje ljudska odluka. Upravo zato operativna prognoza vremena, unatoč velikom napretku umjetne inteligencije, nije potpuno automatizirana.

Što zapravo gledate u meteorološkoj aplikaciji?

Kada u aplikaciji vidite podatak poput "70 posto vjerojatnosti za kišu", ne gledate samo prognozu vremena. Gledate rezultat složenog procesa u kojem sudjeluju milijuni meteoroloških mjerenja iz cijelog svijeta, superračunala, zakoni fizike, ansambl modeli i na kraju stručna interpretacija meteorologa.

Taj postotak proizlazi iz statistike ansambla, ali i iz razumijevanja njegovih ograničenja.

Drugim riječima, prognoza vremena nije samo rezultat računalnog izračuna. Ona je spoj fizike, računalne snage, umjetne inteligencije i ljudskog iskustva. Sedam jednadžbi fizike određuju što je u atmosferi moguće, umjetna inteligencija ubrzava pretragu mogućih scenarija, a meteorolog na kraju procjenjuje koji je od njih u danom trenutku najizgledniji.