AI हवामान मॉडेल चक्रीवादळांचा मार्ग अधिक अचूक ओळखतात, पण अजूनही त्यांना खूप दुबळे दाखवतात

डेटावर प्रशिक्षित हवामान मॉडेल आता सरासरी पाहता सर्वोत्तम भौतिकशास्त्र-आधारित अंदाज प्रणालींशी स्पर्धा करतात, तेही संगणकीय खर्चाच्या अगदी थोड्या भागात. हे दुर्मीळ, टोकाच्या घटनांबाबतही — म्हणजे जिथे चांगल्या अंदाजाला सर्वाधिक महत्त्व असते तिथे — खरे ठरते का, यावर मतभेद आहेत. आधीच्या मूल्यमापनांत विक्रमी हवामान आणि तीव्र उष्णकटिबंधीय चक्रीवादळांबाबत गंभीर अपयश आढळले होते, पण त्यांनी मुख्यतः निश्चयात्मक (deterministic) मॉडेल तपासली होती, जी एकच अंदाज देतात. सर्वांत नवी मॉडेल संभाव्यतावादी (probabilistic) आहेत: ती संभाव्य भविष्यांचा एक समूह (ensemble) तयार करतात, आणि त्यातील प्रत्येक भविष्य म्हणजे एक “सदस्य”.

उष्णकटिबंधीय चक्रीवादळे ही कठीण कसोटी आहे. ती सर्वाधिक नुकसान करणाऱ्या हवामान आपत्तींपैकी आहेत, आणि स्थलांतर हे काही दिवस आधी त्यांच्या स्थानाचा आणि तीव्रतेचा अंदाज, अनिश्चिततेच्या प्रामाणिक मापासह, यावर अवलंबून असते. तरीही जागतिक हवामान सिम्युलेशनमधील ग्रिड बिंदूंपैकी केवळ सुमारे 0.5% बिंदूच ती व्यापतात.

178 वादळे, पुन्हा चालवलेली

INRIA, सॉर्बॉन विद्यापीठ आणि CNRS, तसेच पॅरिसमधील AXA येथील नाथान शालुमो (Nathan Chalumeau) आणि सहकाऱ्यांनी तीन AI मॉडेलची तुलना केली: GenCast, जे डिफ्यूजन मॉडेलद्वारे भविष्यातील हवामानाचे नमुने घेते; FourCastNet 3, जे NVIDIA ने प्रसिद्ध केले; आणि FGN, जे स्वतंत्रपणे प्रशिक्षित चार नेटवर्कपासून आपला समूह-अंदाज तयार करते. त्यांचा मापदंड होता IFS-ENS, ECMWF चा कार्यरत भौतिकशास्त्र-आधारित समूह-अंदाज, जो संख्यात्मक आधाररेषा म्हणून वापरला गेला.

त्यांनी प्रत्येक महासागर खोऱ्यातील, किमान 64 नॉट सतत वाऱ्याचा वेग गाठलेली 178 चक्रीवादळे निवडली, आणि दोन रचनांमध्ये तपासली: ERA5 पुनर्विश्लेषणावर प्रशिक्षित मॉडेलसह 2021–2023 मधील 125 वादळे, आणि ECMWF च्या उच्च-विभेदन विश्लेषणांवर सूक्ष्म-समायोजित (fine-tuned) कार्यरत आवृत्त्यांसह 2025 मधील 53 वादळे. प्रत्येक अंदाज 49 किंवा 50 सदस्यांसह 15 दिवसांसाठी चालवला गेला, वादळाच्या पहिल्या वारा-अहवालाच्या 12 तास आधी सुरू करून — एकूण 26,541 सदस्य-अंदाज. केवळ 2021–2023 चे अंदाज पुन्हा चालवण्यासाठी H100 ग्राफिक्स प्रोसेसरचे 6,000 पेक्षा जास्त तास लागले.

संभाव्य स्थानांच्या ढगाला गुण देणे

अंदाजित मार्गांचे मूल्यमापन सहसा समूहाच्या सरासरी स्थानावरून केले जाते. 2025 मधील बुआलोई (Bualoi) टायफूनच्या उदाहरणातून लेखक दाखवतात की हे दिशाभूल करणारे का ठरू शकते: IFS-ENS चे सदस्य वेगवेगळ्या गटांमध्ये विभागले गेले, ज्यांचे प्रतिनिधित्व कोणतीही सरासरी करू शकत नाही.

बुआलोई टायफून (2025): चार अंदाज-कालावधींवर FGN (लाल) आणि IFS-ENS (निळा) यांची अंदाजित स्थाने, निरीक्षित मार्गाभोवती (काळे ठिपके). — Figure 2, Chalumeau et al. (2026), arXiv:2610.22077.

त्याऐवजी ते प्रत्येक समूहाचे संभाव्यतेच्या नकाशात रूपांतर करतात आणि त्याचा किती भाग वादळाच्या निरीक्षित स्थानावर पडतो हे विचारतात. कमी गुण म्हणजे चांगला अंदाज.

2021–2023 च्या वादळांवर, GenCast ने 68% चक्रीवादळांवर आणि FourCastNet 3 ने 58% वर IFS-ENS ला मागे टाकले — माफक फरक. 2025 च्या वादळांवर अंतर वाढले: निवडलेल्या 41 वादळांपैकी सुमारे 90% वर FGN ने IFS-ENS ला मागे टाकले, आणि त्यांपैकी 59% वर तीन मॉडेलमध्ये ते पहिले आले, तर GenCast 34% आणि IFS-ENS 7% वर. संपूर्ण हवामान क्षेत्रांवरही FGN चे गुण सर्वोत्तम होते, आणि दोन्ही AI मॉडेलनी संपूर्ण पृथ्वीपेक्षा चक्रीवादळांच्या भोवती IFS-ENS वर अधिक आघाडी घेतली. सर्वांत जोरदार वारे आणि सर्वांत कमी दाब यांचे प्रदेश केवळ आकार आणि स्थानावरून तुलना केले, तेव्हाही क्रम तोच राहिला: FGN, मग GenCast, मग IFS-ENS.

खूप सौम्य वादळे

अचूक स्थान म्हणजे अचूक तीव्रता नव्हे. 2025 च्या वादळांवर, FGN आणि GenCast या दोघांनीही अल्प आणि मध्यम पल्ल्यावर कमाल वाऱ्यांचा अंदाज कमी दिला, तर IFS-ENS संदर्भमूल्याच्या 10% च्या आत राहिले. कार्यरत डेटावरील सूक्ष्म-समायोजनाने हा पूर्वग्रह दूर झाला नव्हता. आधीच्या रचनेत, GenCast चे स्थानिक गुण अधिक चांगले होते, तरीही वाऱ्याची तूट अधिक मोठी होती. समूह-अंदाजांचे अंशांकनही (calibration) कमकुवत होते, काही ठिकाणी फैलाव खूप कमी होता.

यात एक वळण आहे. AI ची वादळे दुबळी आहेत, पण त्यांच्यातील वारा आणि दाब यांचा संबंध बरोबर दिसतो. क्रमवारी लावून प्रत्येक मॉडेलचा तीव्रतेचा पूर्वग्रह काढून टाकला, की कमाल वारा आणि किमान दाब यांचा सहसंबंध FGN साठी −0.83 आणि GenCast साठी −0.84 येतो, तर उच्च-विभेदन विश्लेषणासाठी −0.88 आणि IFS-ENS साठी −0.87. FGN एका वेळी एक चल आणि एक स्थान यांवर प्रशिक्षित होते; त्याच्यावर हा संबंध कधीच लादला गेला नव्हता. तरीही तो आपोआप उदयाला आला.

डावीकडे: AI मॉडेलच्या वादळांचे वारे संदर्भापेक्षा दुबळे आणि कमी दाबाचे खड्डे उथळ आहेत. उजवीकडे: क्रमवारी लावल्यानंतर, प्रत्येक स्रोत जवळजवळ एकाच वारा–दाब संबंधाचे पालन करतो. — Figure 6, Chalumeau et al. (2026), arXiv:2610.22077.

इशारा प्रणाली नव्हे — अजून तरी

लेखक स्वतःच आपल्या निकालांना मर्यादा घालतात. हा अभ्यास भूतकाळातील निवडक वादळे पुन्हा चालवतो; त्यात चक्रीवादळ नसलेले कालखंड समाविष्ट नाहीत, त्यामुळे मॉडेल खोटे इशारे देतात का हे तो ठरवू शकत नाही. दोन्ही रचनांमध्ये वादळे, मॉडेलच्या आवृत्त्या आणि IFS-ENS मधील सुधारणासुद्धा वेगळ्या आहेत, त्यामुळे सूक्ष्म-समायोजनाचा परिणाम वेगळा काढता येत नाही. आणि नैतिकतेविषयीचे निवेदन स्पष्ट आहे: हे निकाल “यांपैकी कोणतेही मॉडेल कार्यरत इशाऱ्यांसाठी वापरण्याबाबत मार्गदर्शन म्हणून वाचले जाऊ नयेत.”

त्यांचा निष्कर्ष म्हणजे करायच्या कामांची यादी. तीव्रता दुरुस्त करणे, टोकाच्या वाऱ्यांना महत्त्व देणारी प्रशिक्षण-उद्दिष्टे रचणे, अनिश्चिततेचे मापन सुधारणे — आणि प्रत्येक वेळी, स्थानातील आणि वारा–दाब संबंधातील सुधारणा टिकून राहतात का ते तपासणे.