Faran med att lämna väderprognoser till AI

Människor har försökt att förutse klimatets vändningar i årtusenden, med hjälp av tidiga kunskaper – “röda himlar på natten” är en optimistisk sigil för vädertrötta sjömän som faktiskt är förknippad med torr luft och högt tryck över ett område – såväl som observationer tagna från tak, hand- ritade kartor och lokala tumregler. Dessa guider till framtida väderförutsägelser baserades på år av observationer och erfarenheter.

Sedan, på 1950, en grupp matematiker, meteorologer och datavetare – ledda av John von Neumann, en känd matematiker som hade assisterat Manhattan Project år tidigare, och Jule Charney, en atmosfärsfysiker som ofta anses vara den dynamiska meteorologins fader – testade den första datoriserade automatiska prognosen.

Charney, med ett team på fem meteorologer, delade upp USA i (med dagens mått mätt) ganska stora paket, vart och ett mer än 700 kilometer i yta. Genom att köra en grundläggande algoritm som tog realtidstryckfältet i varje diskret enhet och prognostiserade det framåt under loppet av en dag, skapade teamet fyra 24-timmars atmosfäriska prognoser som täcker hela landet. Det tog 33 hela dagar och nätter att slutföra prognoserna. Även om det var långt ifrån perfekta, var resultaten uppmuntrande nog att starta en revolution inom väderprognoser, vilket flyttade fältet mot datorbaserad modellering.

Under de efterföljande decennierna ledde miljarder dollar i investeringar och utvecklingen av snabbare, mindre datorer till en ökning av prediktionsförmågan. Modeller är nu kapabla att tolka dynamiken i atmosfärspaket så små som 3 kilometer i yta, och sedan 1960 har dessa modeller kunnat inkludera allt mer exakta data som skickats från vädersatelliter.

Under 2016 och 2018 lanserades satelliterna GOES-16 och -17 i omloppsbana, vilket gav en mängd förbättringar, inklusive bilder med högre upplösning och exakt blixtavkänning. De mest populära numeriska modellerna, det USA-baserade Global Forecasting System (GFS) och European Center for Medium-Range Weather Forecasts (ECMWF), släppte betydande uppgraderingar i år, och nya produkter och modeller utvecklas snabbare än någonsin. Med ett fingertryck kan vi få tillgång till en häpnadsväckande exakt väderprognos för vår exakta position på jordens yta.

Dagens blixthastighetsförutsägelser, produkten av avancerade algoritmer och global datainsamling, verkar ett steg bort från fullständig automatisering. Men de är inte perfekta än. Trots de dyra modellerna, utbudet av avancerade satelliter och megadatorer har mänskliga prognosmakare en unik uppsättning egna verktyg. Erfarenhet – deras förmåga att observera och dra kopplingar där algoritmer inte kan – ger dessa prognosmakare ett försprång som fortsätter att överträffa de glittriga vädermaskinerna i situationer med högsta insats.

Även om det är oerhört användbart med storbildsprognoser är modellerna inte känsliga för, säg, den lilla uppgången i en liten landkvadrant som tyder på att en vattenpipa bildas, enligt Andrew Devanas, en operativ prognosmakare vid National Weather Service-kontoret i Key West, Florida. Devanas bor nära en av världens mest aktiva regioner för vattenpipor, havsbaserade tornados som kan skada fartyg som passerar genom Floridasundet# och till och med komma på land.

Samma begränsning hindrar förutsägelser om åskväder, extrem nederbörd och landbaserade tornados, som de som slet genom Mellanvästern i början av december och dödade mer än 60 människor. Men när tornados uppstår på land, kan prognosmakare ofta upptäcka dem genom att leta efter deras signatur på radar; vattenpipor är mycket mindre och saknar ofta denna signal. I en tropisk miljö som Florida Keys förändras inte vädret mycket från dag till dag, så Devanas och hans kollegor var tvungna att manuellt titta på variationer i atmosfären, som vindhastighet och tillgänglig fukt – variationer som algoritmerna inte gör. alltid ta hänsyn till — för att se om det fanns någon korrelation mellan vissa faktorer och en högre risk för vattensprutor. De jämförde dessa observationer med ett modellerat sannolikhetsindex som indikerar huruvida vattensprutor är sannolika och fann att med rätt kombination av atmosfäriska mätningar “utpresterade” den mänskliga prognosen modellen i varje mätvärde för att förutsäga vattenskott.

På liknande sätt visar forskning publicerad av NOAA Weather Prediction Service-direktör David Novak och hans kollegor att även om mänskliga prognosmakare kanske inte kan “slå” modellerna på din typiska soliga dag med vackert väder, producerar de fortfarande mer exakta förutsägelser än algoritmen- crunchers i dåligt väder. Under de två decennier av information som Novaks team studerade, var människor 20 till 40 procent mer exakta i att förutsäga nederbörd i den närmaste framtiden än Global Forecast System (GFS) och North American Mesoscale Forecast System (NAM), de vanligaste nationella modellerna. Människor gjorde också statistiskt signifikanta förbättringar av temperaturprognoser jämfört med båda modellernas vägledning. “Ofta upptäcker vi att i de större händelserna är det när prognosmakarna kan göra några mervärdesförbättringar av den automatiserade vägledningen”, säger Novak.