Milyen távolra láthatnak el az előrejelzések?

A légkörünk igen kaotikus rendszer, amelynek viselkedését rengeteg tényező befolyásolja. Ahhoz, hogy előre lehessen jelezni egy ilyen rendszer viselkedését, nem elég megérteni a törvényszerűségeket, amelyek vezérlik, hanem elképesztő mért adatmennyiségre is szükség van. A mérések maguk is rengeteg kategóriát érintenek, és ezeket az elképzelhetőnél is több ponton kell(ene) mérni.

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 új, egyelőre csak preprintként nyilvánosságra hozott kutatásban arra jutott két amerikai szakember, hogy ez a táv megduplázható, mesterséges intelligencia segítségével, számolt be a Science.  A gyakorlatban a számítások mintegy 10 napra előre tudnak még valamelyest használható előrejelzést adni, de amire a hétköznapi életben is hagyatkozhatunk, az jelenleg nagyjából 5 napot tesz ki.

A Google által kifejlesztett MI alapú időjárásmodell (GraphCast) segítségével múltbéli adatokkal dolgozva készítettek „előrejelzést”. A 2020-as év időjárási adatait (visszamenőleg) dolgozták fel, napi két alkalomra készült előrejelzés, miközben finomították az alkalmazott módszert. A munka célja elsősorban az volt, hogy leszűkítsék a helyes számításokhoz szükséges adatmennyiséget.

E módon olyan eredményeket értek el, amelyekkel még 30 napos időtartamra is megbízható előrejelzés született. A 10 napos időtávú előrejelzés hibáinak 86 százalékát sikerült az új módszerrel kiküszöbölni, de a néhány napos távon is sokat javítottak a hibákon.

A kutatók szerint ezt a gépi tanulás alapú módszert a hagyományos modellekkel kombinálva még eredményesebbé tehető az előrejelzés. Azonban, amióta egy konferencián beszámoltak ezekről az eredményekről a kutatók, azóta több kritika is érte őket.

Volt, aki szerint a kutatás hibája, hogy nem valódi, valós idejű előrejelzést készítettek, csak a múlt időjárási adatai alapján afféle „rekonstruált” előrejelzést. Thomas Selz és munkatársai egy 2023-as kutatásukban arra jutottak, hogy az MI-alapú modellek pont azt a „pillangóhatást”, azokat az apró tényezőket nem veszik figyelembe, amelyektől nem kitolható az előrejelzés ideje.

No de az se biztos, hogy egyáltalában valós ez a 2 hetes limit. A 60-as években alkalmazott egyenletek különösen érzékenyek voltak a kezdeti feltételekre, ezért is vált olyan jelentőssé a pillangóhatásnak nevezett effektus.

Edward Lorenz, a káoszelmélet és a pillangóhatás „atyja”, aki történetesen matematikus és meteorológus volt, maga sem tudta eldönteni, hogy meddig terjed a kaotikusan viselkedő rendszer előrejelezhetősége. Emiatt ma is van, aki úgy vélik, a 2 hetes limit csak afféle tapasztalati tény, de nem a rendszer sajátosságából következik.

Mit is csinált akkor az MI-alapú modell másképp?

A kezdeti feltételek közt bizonyos nagy léptékű hőmérsékleti adatokat finomított, illetve egyes széladatokat erősített fel – ez utóbbiakat a gyakorlatban használt számítások alapvetően gyengíteni szokták. Ezek arra utalnak, hogy amennyiben egy MI modell elegendő adat ismeretében számol, akkor túlléphet az ember által meghatározott számítások korlátain.

Selz azonban úgy véli, ezek az igazítások egyáltalában nem biztos, hogy a légkör valódi állapotára utalnak, könnyen elképzelhető, hogy csupán a saját munkáját megkönnyítő lépése ez az MI-modellnek. A kutató szerint a GraphCast modellje nem előrejelzést, hanem önbeteljesítő jóslatot produkál.

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.

Nem elhanyagolható a hatás, de nem is meghatározó, így nem is korlátozhatja le az előrejelzés idejét. Amit korlátozó tényező, az az adathiány és a számítási kapacitás hiánya. Ebben pedig a hasonló kutatások sokat javíthatnak.