ПОГОДНЫЕ МОДЕЛИ НА ОСНОВЕ ИИ ЛУЧШЕ ОТСЛЕЖИВАЮТ ЦИКЛОНЫ, НО ВСЁ ЕЩЁ ДЕЛАЮТ ИХ СЛИШКОМ СЛАБЫМИ
Погодные модели, обученные на данных, теперь в среднем конкурируют с лучшими физическими системами прогнозирования — при доле вычислительных затрат. Сохраняется ли это для редких экстремальных явлений — тех самых, где хороший прогноз важнее всего, — вопрос спорный. Предыдущие оценки выявили серьёзные провалы на рекордной погоде и интенсивных тропических циклонах, но в основном в них проверялись детерминированные модели, выдающие единственный прогноз. Новейшие модели — вероятностные: они создают ансамбль возможных вариантов будущего, каждый из которых называется «членом» ансамбля.
Тропические циклоны — строгое испытание. Они относятся к самым разрушительным погодным угрозам, а эвакуация зависит от прогнозов их положения и силы на несколько дней вперёд с честной оценкой неопределённости. При этом в глобальных климатических моделях они занимают лишь около 0,5% узлов сетки.
178 штормов заново
Натан Шалюмо и его коллеги — из INRIA, Университета Сорбонны и CNRS, а также AXA в Париже — сравнили три модели ИИ: GenCast, которая генерирует варианты будущей погоды с помощью диффузионной модели; FourCastNet 3, выпущенную компанией NVIDIA; и FGN, которая строит свой ансамбль из четырёх отдельно обученных нейросетей. Эталоном служил IFS-ENS — оперативный физический ансамбль ECMWF, взятый за численную точку отсчёта.
Авторы отобрали 178 циклонов, у которых устойчивый ветер достигал не менее 64 узлов, во всех океанических бассейнах, в двух постановках: 125 штормов 2021–2023 годов с моделями, обученными на реанализе ERA5, и 53 шторма 2025 года с оперативными версиями, дообученными на анализах ECMWF высокого разрешения. Каждый прогноз охватывал 15 дней и включал 49 или 50 членов; он стартовал за 12 часов до первого сообщения о ветре шторма — всего 26 541 прогноз отдельных членов. Повторный расчёт прогнозов 2021–2023 годов занял более 6000 часов работы графических процессоров H100.
Как оценить облако возможных положений
Прогнозируемые траектории обычно оценивают по среднему положению ансамбля. Авторы показывают, почему это может вводить в заблуждение, на примере тайфуна Буалои 2025 года: члены IFS-ENS разделились на отдельные скопления, которые никакое среднее не способно отразить.
Тайфун Буалои (2025): прогнозируемые положения по FGN (красный) и IFS-ENS (синий) при четырёх заблаговременностях вокруг наблюдавшейся траектории (чёрные точки). — Рисунок 2, Chalumeau et al. (2026), arXiv:2610.22077.
Вместо этого авторы превращают каждый ансамбль в карту вероятности и смотрят, какая её доля приходится на наблюдавшееся положение шторма. Чем ниже оценка, тем лучше прогноз.
На штормах 2021–2023 годов GenCast превзошла IFS-ENS на 68% циклонов, а FourCastNet 3 — на 58%: скромный перевес. На штормах 2025 года разрыв вырос: FGN превзошла IFS-ENS примерно на 90% из 41 отобранного шторма и заняла первое место среди трёх моделей на 59% из них — против 34% у GenCast и 7% у IFS-ENS. FGN также показала лучший результат на полных полях погоды, а обе модели ИИ выигрывали у IFS-ENS вокруг циклонов больше, чем по земному шару в целом. Когда области самого сильного ветра и самого низкого давления сравнили только по форме и положению, порядок остался прежним: FGN, затем GenCast, затем IFS-ENS.
Слишком мягкие штормы
Лучшее положение не означало лучшей силы. На штормах 2025 года и FGN, и GenCast недооценивали максимальные ветры на коротких и средних сроках, тогда как IFS-ENS держался в пределах 10% от эталона. Дообучение на оперативных данных это смещение не устранило. В более ранней постановке у GenCast была лучшая локальная оценка — и при этом больший дефицит ветра. Ансамбли к тому же были плохо откалиброваны: местами разброс был слишком мал.
Есть и неожиданный поворот. Штормы у ИИ слабее, но связь между ветром и давлением внутри них выглядит правильной. Если устранить смещение интенсивности каждой модели с помощью ранжирования, корреляция между максимальным ветром и минимальным давлением составляет −0,83 для FGN и −0,84 для GenCast — против −0,88 для анализа высокого разрешения и −0,87 для IFS-ENS. Модели FGN, обученной по одной переменной и одной точке за раз, эту связь никто не навязывал. Она возникла сама.
Слева: штормы моделей ИИ имеют более слабые ветры и менее глубокие минимумы давления, чем эталон. Справа: после ранжирования все источники следуют почти одной и той же зависимости ветра от давления. — Рисунок 6, Chalumeau et al. (2026), arXiv:2610.22077.
Пока не система оповещения
Авторы сами очерчивают границы своих результатов. Исследование воспроизводит отобранные прошлые штормы; в него не входят периоды без циклонов, поэтому нельзя судить, выдают ли модели ложные тревоги. Две постановки различаются штормами, версиями моделей и даже обновлениями IFS-ENS, так что эффект дообучения выделить невозможно. А заявление об этике прямолинейно: эти результаты «не следует воспринимать как рекомендацию использовать какую-либо из этих моделей для оперативных предупреждений».
Их вывод — это список задач. Исправить интенсивность, разработать цели обучения, учитывающие экстремальные ветры, улучшить оценку неопределённости — и каждый раз проверять, что выигрыш в положении и в связи ветра с давлением сохраняется.