תחזית מזג אוויר לחודש קדימה: שיטת AI הכפילה את הדיוק בטווח שנחשב "מדבר" של החזאים

תחזית מזג אוויר לשלושה ימים קדימה היא כבר עניין שגרתי. לשבוע, היא טובה מאוד. אבל בטווח של שבועיים עד שישה שבועות, המודלים הטובים בעולם מצליחים בקושי לנצח ממוצע פשוט של מה שקרה באותו תאריך בשנים קודמות, ולעיתים קרובות הם גרועים ממנו. מחקר שפורסם בכתב העת Nature מציג שיטה של למידת מכונה שמשנה את המצב הזה. השיטה הכפילה את יכולת החיזוי של מודל הבינה המלאכותית של המרכז האירופי לתחזיות מזג אוויר לטווח בינוני (ECMWF), שיפרה את המודל הפיזיקלי שלו ברוב המוחלט של המקרים, ובתחרות בזמן אמת של המרכז האירופי ניצחה את מודלי החיזוי של שישה מרכזים לאומיים ו-34 צוותים מרחבי העולם.

את המאמר כתבו חוקרים מ-MIT, מאוניברסיטת טורונטו, ממכון המתמטיקה הלאומי של ברזיל, ממחקר מיקרוסופט ומהמרכז האירופי עצמו. המחברת הראשונה, האנה גואן, היא סטודנטית לתואר ראשון בהרווארד. "זה לא רק עושה עבודה טובה יותר בתחזיות ממוצעות לטווח הזה, שכבר מאוד שימושיות לחקלאים ולאנשים בתעשיית האנרגיה שמנסים להתאים את ההיצע לביקוש, אלא גם משפר את החיזוי של אירועי קיצון, בין אם זה הצפות, גלי קור או משהו אחר", אמר ד"ר ג'ודה כהן, חוקר מ-MIT ושותף למחקר. "אירועי הקיצון הם כנראה החלק עם ההשפעה הגדולה ביותר על החברה".

למה דווקא שבועות 3 עד 6 כל כך קשים

בטווח הקצר, התחזית נשענת על מצב האטמוספרה כרגע: איפה נמצאות המערכות, מה הטמפרטורות ומה הרוחות. בטווח של חודשים, יש גורמים איטיים שאפשר להישען עליהם, כמו טמפרטורת פני האוקיינוסים בזמן אל ניניו. הטווח של שבועיים עד שישה שבועות נופל בדיוק באמצע. ההשפעה של המצב ההתחלתי כבר דעכה, וההשפעה של הגורמים האיטיים עוד לא שולטת. "הטווח הזה נקרא 'מדבר החיזוי'", אמר כהן. "ברוב המקרים, תחזית לטווח הזה לא שונה מללכת לקזינו ולהטיל קוביות".

לזה מצטרפת בעיה טכנית. המודלים מחשבים את מזג האוויר צעד אחרי צעד, וכל טעות קטנה בצעד אחד מצטברת לצעד הבא. אחרי כמה שבועות הטעויות הקטנות הופכות להטיה שיטתית: מודל מסוים יכול לחזות דרך קבע חום גבוה מדי באזור אחד או גשם מועט מדי באזור אחר. הבעיה חריפה במיוחד בגשם, שרגיש לשרשרת של אי-דיוקים ומשתנה מאוד ממקום למקום. הרעיון של החוקרים היה לא לבנות מודל חדש, אלא ללמוד את הטעויות הקבועות של המודלים הקיימים ולתקן אותן. "אנחנו יודעים שלמודלים יש הרבה טעויות, אז חשבנו שאולי אפשר למדוד אותן ולהוריד אותן", אמר כהן.

איך עובד התיקון

השיטה, שנקראת תיקון הטיה הסתברותי, מקבלת את כל הריצות של מודל קיים, שכל אחת מהן מתחילה מנקודת פתיחה מעט שונה. מהן היא בונה תחזית של הסתברויות: מה הסיכוי שהשבוע שלוש שבועות מהיום יהיה חם בהרבה מהרגיל, חם מעט, רגיל, קר מעט או קר בהרבה. אחר כך פועלים במקביל שני מודלים של למידת מכונה. הראשון לומד מהארכיון של המודל עצמו איך הוא נוטה לטעות בכל מקום, בכל עונה ובכל טווח של תוצאות, ומזיז את ההסתברויות בהתאם. השני משלב את מזג האוויר שנמדד בפועל בשבועות האחרונים ואת הממוצע העונתי. בסוף שתי התחזיות המתוקנות משוקללות לתחזית אחת.

החוקרים בדקו את השיטה על טמפרטורה וגשם מעל היבשה ועל ערכי הברומטר בגובה פני הים, ברשת שמכסה את כל כדור הארץ, לשבוע השלישי ולשבוע הרביעי קדימה. כנקודת אמת הם השתמשו ב-ERA5, ארכיון מזג האוויר העולמי של המרכז האירופי. כדי לחקות שימוש אמיתי, המודל אומן מחדש בכל יום רק על המידע שהיה זמין באותו רגע. המבחן כלל 239 תאריכי תחזית בין 2016 ל-2024.

התוצאות: מול המודל הפיזיקלי של המרכז האירופי, שנחשב למדויק בעולם, השיטה שיפרה את התחזית ב-98% מנקודות הגשם, ב-92% מנקודות הטמפרטורה וב-91% מנקודות הברומטר, לעומת הגרסה שהמרכז עצמו כבר מתקן. היא שילשה את יכולת חיזוי הגשם של המודל הגולמי, והפכה את תחזיות הטמפרטורה והברומטר שלו, שהיו גרועות מהממוצע ההיסטורי, לתחזיות שמנצחות אותו. את מודל הבינה המלאכותית של המרכז היא הכפילה. "עד עכשיו אף אחד לא הצליח להראות מודל שחוזה את מזג האוויר בטווח הזה טוב יותר מממוצעים ארוכי טווח", אמר כהן. "כמעט כולם היו גרועים מזה. אפשר היה פשוט להטיל מטבע ולהצליח יותר".

מה זה שווה לחקלאות ולחשמל

הבדיקה האמיתית הייתה בתחרות. בכל עונה עורך המרכז האירופי תחרות שבה מגישים תחזיות לעתיד, והן נבדקות מול מה שקרה בפועל. הצוות הגיש שלושה מודלים, והגרסה שזכתה במקום הראשון שילבה את המודל של המרכז האירופי עם מודל נוסף והוסיפה מעליהם את שכבת התיקון. לפי המאמר, התחזיות של השיטה היו הטובות ביותר בכל המשתנים ובכל טווחי הזמן. החוקרים מצאו גם שיפור מובהק בחיזוי של אירועי קיצון. "כשהמרכז האירופי פיתח תיקון טעויות משלו, בלי בינה מלאכותית, החיזוי של מזג אוויר קיצוני דווקא הורע", אמר כהן. "תיקון הטיה רגיל תמיד מנסה להגיע לממוצע, ומזג אוויר קיצוני נמצא בשוליים של ההסתברויות".

המשמעות הכלכלית ברורה. חברות חשמל צריכות לדעת מראש מתי יגיע גל קור או גל חום כדי לתכנן ייצור ורכש של גז ופחם, וחקלאים צריכים לדעת מתי לדשן, מתי לזרוע ומתי להגן על יבול מפני כפור. כהן מזכיר את הסערות שפקדו את טקסס ב-2021 והשביתו את רשת החשמל של המדינה. "דיברתי עם אנשי אנרגיה שאמרו לי שאם מודיעים להם יומיים מראש שסופת קרח מגיעה, אין להם מספיק זמן, אבל אם היו להם שבועיים, זה היה יכול להספיק להתכונן כמו שצריך", אמר. לדבריו, שירות המטאורולוגיה של קניה כבר פנה לצוות כדי להשתמש בשיטה לשיפור החיזוי של עונת הגשמים, והמאמר מזכיר שבהצפות הקשות בקניה ב-2018 תחזיות עונתיות פספסו את האירוע, ותחזיות לטווח של שבועות נתנו התרעה בזמן.

• אצות שנקברו לפני 6,000 שנה מגלות: קרח החורף בארקטי יתכווץ יותר מהצפוי
• 39 ימים יותר בשנה: עונת גלי החום מתחילה מוקדם ונגמרת מאוחר

זו לא הפעם הראשונה שבינה מלאכותית משנה את תחום החיזוי. מודלים כמו זה של גוגל דיפמיינד, שמתעדכן כל שעה, כבר מתחרים בהצלחה במודלים הפיזיקליים בטווח של ימים. ההבדל כאן הוא הטווח: מודלי ה-AI הטהורים חלשים במיוחד מעבר לשבועיים, והשיטה החדשה משפרת אותם בדיוק שם. בנוסף, היא זולה מאוד להפעלה לעומת הרצה של מודלים גדולים, והקוד שלה פתוח. החוקרים כותבים שזה פותח אותה גם בפני שירותי מזג אוויר במדינות עם תקציבים קטנים.

הגבולות של השיטה

השיטה לא מבינה את האטמוספרה טוב יותר. היא מתקנת טעויות קבועות של מודל קיים, ולכן היא תלויה באיכות שלו. החוקרים עצמם כותבים שהיא כלי לעיבוד התוצאות ולא תחליף לשיפור המודלים. גם השיפור עצמו צריך להיקרא בפרופורציה: בטווח של 3-4 שבועות, "להכפיל" את יכולת החיזוי פירושו לעבור מיכולת נמוכה מאוד ליכולת צנועה. התחזית עדיין הסתברותית, ונותנת סיכוי לשבוע חם או גשום מהרגיל, לא תחזית ליום מסוים בעיר מסוימת.

יש גם מגבלות טכניות. הרשת שבה נבדקה השיטה גסה יחסית, עם משבצות של כ-1.5 מעלות, שהן בערך 165 קילומטרים, כך שהיא לא מתאימה לחיזוי מקומי. הטמפרטורה והגשם נבדקו רק מעל היבשה. והשיפור אינו אחיד בכל העולם: יש אזורים ועונות שבהם התועלת קטנה יותר. מודלי בינה מלאכותית בתחום כבר מנסים לחזות מזג אוויר קיצוני בטווחים קצרים, והשאלה הפתוחה היא כמה מהר שירותי המטאורולוגיה, ובעיקר חברות האנרגיה והחקלאות, יאמצו תחזיות הסתברותיות לטווח של חודש בתוך ההחלטות היומיומיות שלהם.