Umělá inteligence a předpověď počasí

Co je GraphCast a jak se liší od klasických modelů

GraphCast je AI model pro předpověď počasí vyvinutý Google DeepMind. Místo řešení složitých fyzikálních rovnic atmosféry (jak to dělají tradiční numerické modely jako ten evropského střediska ECMWF) se GraphCast naučil vzorce počasí ze více než 40 let historických dat reanalýzy ECMWF pomocí grafové neuronové sítě.

Výsledkem je model, který dokáže vypočítat 10denní globální předpověď počasí za přibližně jednu minutu na běžné pracovní stanici, zatímco klasický numerický model potřebuje k podobnému výpočtu přibližně šest hodin výpočetního času na superpočítači.

Přesnost: 90 % ze 1 380 testovaných metrik

Podle studie publikované v časopise Science dosahuje GraphCast lepších výsledků než srovnávací standardní systém na 90 % z 1 380 testovaných metrik. Nejvýraznější zlepšení je u predikce extrémního počasí - silného horka a dráhy tropických cyklonů (hurikánů).

Energetická efektivita

Podle informací citovaných Financial Times je GraphCast přibližně 1000× energeticky efektivnější než klasické metody předpovědi počasí - což je významné zejména v době, kdy provoz superpočítačů pro meteorologické výpočty spotřebovává velké množství energie.

Limity AI modelů předpovědi počasí

Navzdory impozantním číslům mají AI modely jasná omezení, na která upozorňuje i samotné ECMWF (Evropské středisko pro střednědobé předpovědi počasí):

• Nižší granularita detailu - AI model nedokáže poskytnout stejnou míru lokálního detailu jako tradiční fyzikální model v některých scénářích
• Nemůže nahradit tradiční metody ve všech situacích - koordinátor strojového učení ECMWF explicitně uvedl, že model nemůže překonat superpočítačovou metodu za všech okolností
• Riziko "černé skříňky" - na rozdíl od fyzikálního modelu, kde meteorolog rozumí každému kroku výpočtu, AI model je obtížnější interpretovat a vysvětlit, proč dospěl k danému závěru
• Závislost na kvalitě a rozsahu trénovacích dat - pro extrémně vzácné nebo nové typy jevů (např. kombinace faktorů, které se v historických datech nevyskytly) může AI model selhat

Výzkumníci z DeepMind sami doporučují vnímat GraphCast jako doplněk, ne náhradu tradičních meteorologických metod.

Jak se GraphCast ověřuje nezávisle

Organizace ForecastWatch, standard pro měření přesnosti předpovědí počasí, vyjádřila zájem, aby Google zařadil předpovědi GraphCast do nezávislého srovnání přesnosti - což by umožnilo objektivnější porovnání s komerčními a vládními meteorologickými službami, ne jen porovnání publikované samotným DeepMind.

Kde se s AI předpovědí počasí běžný uživatel setká

Technologie podobná GraphCast se postupně integruje do spotřebitelských aplikací - například Google Search a Google Maps začaly v některých regionech využívat AI modely k vylepšení krátkodobé předpovědi (tzv. nowcasting, predikce srážek v řádu minut až hodin). Meteorologické úřady jednotlivých zemí (včetně Českého hydrometeorologického ústavu) sledují vývoj AI modelů a postupně je testují jako doplněk ke svým tradičním předpovědním systémům.

Další AI modely pro předpověď počasí ve vývoji

GraphCast není jediný AI model tohoto typu - podobné projekty vyvíjí i další organizace, včetně evropského ECMWF (vlastní experimentální AI model jako doplněk tradičního systému), NOAA v USA a čínské meteorologické služby. Jde o rychle se rozvíjející oblast, kde si jednotlivé modely navzájem konkurují v přesnosti a rychlosti, podobně jako velké jazykové modely v oblasti textové AI.

Jak AI modely pomáhají s nowcastingem (krátkodobou předpovědí)

Zatímco GraphCast se zaměřuje na předpověď v horizontu dnů, jiná třída AI modelů (nowcasting) predikuje srážky a bouřky v horizontu minut až několika hodin - s mnohem vyšší prostorovou přesností, než umožňují klasické radarové extrapolace. Tyto modely se už objevují ve spotřebitelských aplikacích jako Google Maps nebo specializované meteorologické appky a umí upozornit, že začne pršet za 12 minut na konkrétní ulici.

Co to znamená pro plánování zemědělství a energetiky

Přesnější a levnější predikce počasí má praktický dopad i mimo běžné rozhodování, jestli vzít deštník:

• Zemědělství - přesnější krátkodobá předpověď pomáhá optimalizovat zavlažování a plánování sklizně
• Energetika - predikce slunečního záření a síly větru je klíčová pro plánování výroby z obnovitelných zdrojů a vyvažování elektrické sítě
• Krizové řízení - rychlejší a levnější modely umožňují spustit více simulací najednou a lépe odhadnout dráhu a sílu extrémních jevů jako hurikány

Proč energetická efektivita AI modelů počasí hraje roli

Provoz meteorologických superpočítačů je sám o sobě energeticky náročný - pokud AI model dokáže dosáhnout srovnatelné nebo lepší přesnosti se zlomkem spotřeby energie, jde o významnou úsporu i z hlediska uhlíkové stopy samotné meteorologické infrastruktury, nejen z hlediska rychlosti výpočtu.

Jak přesně je GraphCast lepší než klasické modely

Podle vyhodnocení DeepMind překonal AI model GraphCast tradiční špičkový systém ECMWF (HRES) ve více než 90 % z 1 380 sledovaných metrik přesnosti předpovědi. U předpovědi dráhy tropických cyklón navíc chyba GraphCastu roste s delším časovým horizontem pomaleji než u klasického modelu HRES. V praktické ukázce na webu ECMWF GraphCast předpověděl zásah hurikánu Lee v Novém Skotsku přibližně devět dní předem - tedy tři dny dříve, než to dokázal klasický model ECMWF.

Kde AI modely naopak selhávají

AI předpověď počasí není bezchybná - u hurikánu Otis v Mexiku v roce 2023 GraphCast nedokázal správně předpovědět jeho extrémně rychlé zesílení (rapid intensification) a v tomto ohledu nepředčil klasické modely. Odborníci zároveň upozorňují na obecné omezení všech AI modelů trénovaných na historických datech - mohou mít problém zachytit nové vzorce chování počasí související s klimatickou změnou, které se v historických datech ještě neprojevily v dostatečné míře. Proto ECMWF nenahrazuje klasické fyzikální modely AI predikcí úplně, ale vyvíjí hybridní přístup kombinující obě metody.

Často kladené otázky o AI a předpovědi počasí

Je GraphCast přesnější než klasická předpověď počasí?

Na většině testovaných metrik (90 % z 1 380) ano, zejména u extrémního počasí. U míry detailu a v některých specifických scénářích ale podle ECMWF tradiční metody stále mají navrch.

Nahradí AI modely klasické meteorologické středisko?

Ne - výzkumníci DeepMind i ECMWF se shodují, že AI model má sloužit jako doplněk, ne náhradu tradičních fyzikálních modelů a lidských meteorologů.

Proč je GraphCast tak mnohem rychlejší?

Protože na rozdíl od klasického modelu neřeší složité fyzikální rovnice v reálném čase, ale využívá naučené vzorce z historických dat - jde o podobný princip jako u jiných AI modelů, které "rozpoznávají vzorce" rychleji, než by trvalo je exaktně vypočítat.

Používá už ČHMÚ AI modely pro předpověď počasí v Česku?

Meteorologické instituce včetně ČHMÚ sledují a postupně testují AI modely jako doplněk svých tradičních systémů, plošné nahrazení klasických modelů AI přístupem ale není aktuální stav.

Je GraphCast veřejně dostupný pro kohokoliv?

Google DeepMind zveřejnil výzkum a část kódu pro vědeckou komunitu, plný provozní přístup srovnatelný s komerčními meteorologickými službami ale veřejně dostupný není.

Je AI předpověď počasí už lepší než klasická meteorologie ve všech situacích?

Ne, AI model GraphCast je v průměru přesnější u většiny sledovaných metrik, ale u některých jevů, jako bylo extrémně rychlé zesílení hurikánu Otis v roce 2023, klasické modely AI nepředčily - proto meteorologické instituce jako ECMWF kombinují obě metody.

Proč by AI model mohl mít problém s předpovědí extrémního počasí způsobeného klimatickou změnou?

AI modely se učí na historických datech o počasí - pokud se vlivem klimatické změny objevují nové vzorce chování, které se v minulosti ještě nevyskytovaly v dostatečné míře, model je nemusí správně rozpoznat.