MODELI ZA HALI YA HEWA ZA AI HUFUATILIA VIMBUNGA VIZURI ZAIDI, LAKINI BADO HUVIFANYA DHAIFU MNO

Modeli za hali ya hewa zilizofunzwa kwa data sasa zinashindana, kwa wastani, na mifumo bora ya utabiri inayotegemea fizikia, kwa sehemu ndogo tu ya gharama ya kompyuta. Kama hilo linadumu kwa matukio adimu na makali — yale ambayo utabiri mzuri una umuhimu mkubwa zaidi — ni jambo linalobishaniwa. Tathmini za awali zilipata makosa makubwa kwenye hali ya hewa iliyovunja rekodi na vimbunga vikali vya kitropiki, lakini kwa kiasi kikubwa zilijaribu modeli amuzi (deterministic), zinazotoa utabiri mmoja tu. Modeli mpya zaidi ni za kiuwezekano (probabilistic): zinazalisha kundi (ensemble) la mustakabali unaowezekana, kila mmoja ukiwa “mwanachama”.

Vimbunga vya kitropiki ni jaribio gumu. Ni miongoni mwa hatari za hali ya hewa zinazoleta uharibifu mkubwa zaidi, na uhamishaji wa watu unategemea utabiri wa mahali na nguvu zake siku kadhaa kabla, pamoja na kipimo cha kweli cha kutokuwa na uhakika. Hata hivyo, vinachukua takriban 0.5% tu ya vituo vya gridi katika uigaji wa tabianchi wa dunia nzima.

Dhoruba 178, zimerudiwa

Nathan Chalumeau na wenzake — kutoka INRIA, Chuo Kikuu cha Sorbonne na CNRS, na AXA jijini Paris — walilinganisha modeli tatu za AI: GenCast, inayochota sampuli za hali ya hewa ya baadaye kwa modeli ya usambaaji (diffusion model); FourCastNet 3, iliyotolewa na NVIDIA; na FGN, inayojenga kundi lake la utabiri kutoka mitandao minne iliyofunzwa kila mmoja peke yake. Kipimo chao kilikuwa IFS-ENS, kundi la utabiri la ECMWF linalotegemea fizikia linalotumika kiutendaji, lililotumika kama msingi wa kulinganisha.

Walichagua vimbunga 178 vilivyofikia angalau noti 64 za upepo endelevu, katika kila bonde la bahari, katika mipangilio miwili: dhoruba 125 za 2021–2023 kwa modeli zilizofunzwa kwa uchambuzi-upya wa ERA5, na dhoruba 53 za 2025 kwa matoleo ya kiutendaji yaliyoboreshwa kwa uchambuzi wa ubora wa juu wa ECMWF. Kila utabiri uliendeshwa kwa siku 15 na wanachama 49 au 50, ukianza saa 12 kabla ya ripoti ya kwanza ya upepo wa dhoruba — jumla ya utabiri wa wanachama 26,541. Kuendesha upya utabiri wa 2021–2023 pekee kulichukua zaidi ya saa 6,000 za vichakataji vya michoro vya H100.

Kupima wingu la mahali panapowezekana

Njia za utabiri kwa kawaida hupimwa kwa mahali pa wastani pa kundi. Waandishi wanaonyesha kwa nini hilo linaweza kupotosha kwa kutumia Tufani Bualoi ya 2025: wanachama wa IFS-ENS waligawanyika katika vikundi tofauti ambavyo hakuna wastani unaoweza kuviwakilisha.

Tufani Bualoi (2025): mahali palipotabiriwa na FGN (nyekundu) na IFS-ENS (buluu) katika vipindi vinne vya utabiri, kuzunguka njia iliyoonekana (nukta nyeusi). — Figure 2, Chalumeau et al. (2026), arXiv:2610.22077.

Badala yake, wanageuza kila kundi kuwa ramani ya uwezekano na kuuliza ni kiasi gani chake kinaangukia mahali dhoruba ilipoonekana kweli. Alama ya chini inamaanisha utabiri bora zaidi.

Kwa dhoruba za 2021–2023, GenCast ilishinda IFS-ENS kwa 68% ya vimbunga na FourCastNet 3 kwa 58% — tofauti ndogo. Kwa dhoruba za 2025, pengo liliongezeka: FGN ilishinda IFS-ENS kwa takriban 90% ya dhoruba 41 zilizobaki, na ilishika nafasi ya kwanza kati ya modeli tatu kwa 59% yake, ikilinganishwa na 34% kwa GenCast na 7% kwa IFS-ENS. FGN pia ilikuwa na alama bora zaidi kwenye maeneo yote ya hali ya hewa, na modeli zote mbili za AI zilipata faida kubwa zaidi dhidi ya IFS-ENS kuzunguka vimbunga kuliko kote duniani. Maeneo ya upepo mkali zaidi na shinikizo la chini kabisa yalipolinganishwa kwa umbo na mahali pake tu, mpangilio ulibaki uleule: FGN, kisha GenCast, kisha IFS-ENS.

Dhoruba zilizo laini mno

Kuweka mahali bora hakukumaanisha nguvu bora. Kwa dhoruba za 2025, FGN na GenCast zote zilipunguza makadirio ya pepo za juu kabisa katika muda mfupi na wa kati, huku IFS-ENS ikibaki ndani ya 10% ya rejea. Kuboresha kwa data ya kiutendaji hakukuondoa upendeleo huu. Katika mpangilio wa awali, GenCast ilikuwa na alama bora ya eneo husika lakini upungufu mkubwa zaidi wa upepo. Makundi ya utabiri pia hayakusawazishwa vizuri, yakiwa na mtawanyiko mdogo mno katika baadhi ya maeneo.

Kuna jambo la kushangaza. Dhoruba za AI ni dhaifu zaidi, lakini uhusiano kati ya upepo na shinikizo ndani yake unaonekana sahihi. Upendeleo wa nguvu wa kila modeli unapoondolewa kwa kupanga kwa daraja, uwiano kati ya upepo wa juu kabisa na shinikizo la chini kabisa ni −0.83 kwa FGN na −0.84 kwa GenCast, ikilinganishwa na −0.88 kwa uchambuzi wa ubora wa juu na −0.87 kwa IFS-ENS. Kwa FGN, iliyofunzwa kigezo kimoja na mahali pamoja kwa wakati mmoja, uhusiano huo haukuwahi kulazimishwa. Ulijitokeza wenyewe hata hivyo.

Kushoto: dhoruba za modeli za AI zina pepo dhaifu zaidi na mabonde ya shinikizo yasiyo na kina kikubwa kuliko rejea. Kulia: zikishapangwa kwa daraja, kila chanzo kinafuata karibu uhusiano uleule wa upepo na shinikizo. — Figure 6, Chalumeau et al. (2026), arXiv:2610.22077.

Bado si mfumo wa tahadhari

Waandishi wenyewe wanaweka mipaka ya matokeo yao. Utafiti unarudia dhoruba teule za zamani; haujumuishi vipindi visivyo na vimbunga, kwa hiyo hauwezi kuhukumu kama modeli zinatoa tahadhari za uongo. Mipangilio miwili inatofautiana kwa dhoruba, matoleo ya modeli na hata maboresho ya IFS-ENS, kwa hiyo athari ya kuboresha haiwezi kutenganishwa. Na tamko la maadili liko wazi kabisa: matokeo haya “hayapaswi kusomwa kama mwongozo wa kutumia yoyote kati ya modeli hizi kwa tahadhari za kiutendaji.”

Hitimisho lao ni orodha ya mambo ya kufanya. Kusahihisha nguvu, kubuni malengo ya mafunzo yanayotilia uzito pepo kali, kuboresha kipimo cha kutokuwa na uhakika — na kuhakiki kila mara kwamba mafanikio katika mahali na katika uhusiano wa upepo na shinikizo yanadumu.