Traditionella väderprognoser slår AI vid extrema väderhändelser

AI:s svaghet vid extrema väderförhållanden

AI-modeller hyllas ofta som framtiden för väderprognoser – snabbare och mer exakta än traditionella metoder. Men ny forskning från University of Geneva och publicerad i Science visar att AI har en avgörande svaghet: den misslyckas ofta med att förutsäga extrema väderhändelser. Traditionella fysikbaserade modeller presterar fortfarande bättre i dessa fall.

Varför AI fallerar vid rekordhändelser

Enligt Sebastian Engelke, statistikprofessor vid University of Geneva och medförfattare till studien, beror problemet på bristande träningsdata. AI-modeller tränas på decennier av historiska väderdata och försöker förutse framtida väder baserat på tidigare mönster. Men när det gäller extrema händelser – som aldrig tidigare observerats – saknas relevant information.

"De försöker empiriskt förstå: om jag ser en viss typ av väder idag, hur blir vädret imorgon? I grunden reproducerar de bara det som har hänt tidigare. När vi talar om extrema väderförhållanden, och särskilt rekordartade händelser, har detta aldrig inträffat tidigare. Det är bristen på information i deras träningsdata som gör det näst intill omöjligt för dem att förutsäga det."

Studien analyserade ledande AI-modeller som GraphCast och Pangu-Weather mot en databas över nyliga extrema händelser. Resultatet visade att AI-modellerna tenderade att underskatta höga temperaturer vid värmeböljor, som den i Sibirien 2020, och hade svårare att förutsäga extrem vind eller rekordkall väderlek.

Traditionella modeller anpassar sig bättre

Till skillnad från AI använder traditionella fysikbaserade modeller komplexa matematiska modeller för att representera den fysiska världen. Dessa kan lättare anpassa sig till nya förhållanden, även om de inte heller är felfria. För mer typiska väderprognoser eller extrema händelser inom ramen för tidigare erfarenheter kan AI däremot prestera bättre än traditionella modeller.

AI:s framsteg och begränsningar

Vissa AI-modeller har redan förbättrats genom att integrera probabilistiska metoder som förutsäger flera möjliga utfall. Trots detta kvarstår det grundläggande problemet: de bygger fortfarande på historisk data. Nvidia lanserade tidigare i år sin AI-modell Atlas, som visade lovande resultat vid förutsägelser av extrema händelser som den inte tränats på, som Storm Dennis – en snabbt intensifierad cyklon som drabbade Storbritannien.

"Genom att visualisera vindens magnitud och tryckgradienten kan man tydligt se att modellen kunde fånga upp verkligt intensiva vindhändelser och kraftiga cykloner som orsakar skador."

Mike Pritchard, forskningschef för klimatsimuleringar på Nvidia

AI-modeller används redan parallellt med traditionella metoder av väderinstitut, företag som The Weather Company och försäkringsbolag. Forskare utforskar dock sätt att förbättra AI:s förmåga att förutsäga de allra mest extrema händelserna. Ett förslag är att utöka träningsdatan med scenarier över hur rekordartade händelser kan se ut.

Sammanfattning: AI och traditionella modeller kompletterar varandra

• AI-modeller är snabba och effektiva för vanliga väderprognoser och extrema händelser inom ramen för tidigare erfarenheter.
• Traditionella fysikbaserade modeller presterar bättre vid verkligt extrema och ovanliga händelser tack vare sin förmåga att anpassa sig till nya förhållanden.
• Bristen på historiska data för extrema händelser utgör den största utmaningen för AI.
• Forskare arbetar på att förbättra AI:s träning genom att inkludera scenarier för framtida extrema händelser.