# Ülikiiret ilmaennustust pakkuv tehisaru lubab leebemat ilma

- Link: https://kihulane.eu/arhiiv/194586
- Published: 2026-06-05T14:03:00+03:00
- Author: RSS

![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///ywAAAAAAQABAAACAUwAOw==)

Tehisarule toetuvad ilmamudelid ennustavad igapäevast ilma üha täpsemalt ning säästavad
seejuures tohutult aega ja energiat.[ Uue uuringu kohaselt](https://www.science.org/doi/10.1126/sciadv.aec1433)
kipuvad andmepõhised süsteemid aga minevikku kinni jääma ega suuda rekordiliselt
kõrgeid temperatuure kuigi hästi ette näha.

Viimase aastatega on meteoroloogias toimunud suur pööre. Kui klassikalised ilmaennustusmudelid
analüüsivad superarvutites tundide kaupa Navier-Stokesi võrrandeid, siis tehisaru
läheneb ülesandele toore mustrituvastusega. Uued mudelid täidavad samu ülesandeid
paari minutiga ja vajavad vaid murdosa varem kulutatud energiast. Näiteks ennustas
Google DeepMindi loodud GraphCast kümne päeva globaalsey ilma ligikaudu ühe minutiga
ja edestas testides Euroopa Keskpika Ilmaennustuse Keskuse lipulaeva HRES 90 protsendis
aluseks võetud mõõdikutes.

Sama rea peale on hüpanud traditsioonilised ilmaennustuskeskused ja ülikoolid. Näiteks
võtab Cambridge’i ülikooli teadlaste mudel Aardvark Weather andmed otse satelliitidelt.
Euroopa Keskpika Ilmaennustuse Keskus töötas seevastu välja omaenda tehisarul põhineva
mudeli AIFS, mis vajab traditsioonilisest mudelist tuhat korda vähem energiat.

Kuigi masinõppel põhinevad mudelid suudavad argisema ilma puhul tavamudeleid edestada,
tuleb kiiruse ja tõhususe hinnana loobuda atmosfääri käitumist kirjeldavatest füüsikaseadustest.
Traditsioonilised numbrilised mudelid simuleerivad atmosfääri dünaamikat ruumilises
võrgustikus. Uued programmid õpivad seevastu eranditult viimaste aastakümnete ajalooliste
ilmaandmete mustritest. Tehisaru eirab seega termodünaamikat ja tugineb algoritmilisele
teadmisele, et ühele atmosfääri seisundile järgneb minevikukogemuse põhjal kindel
teine seisund.

Saksamaa Karlsruhe Tehnoloogiainstituudi teadlased Zhongwei Zhang ja Sebastian Engelke
nendivad nüüd, et minevikus panid vaatlejad kirja tänapäevases mõistes suhteliselt
mõõdukaid ekstreemsusi. See omakorda mõjutab praegu tehtavate ennustuste täpsust.

Uurijad analüüsisid Google’i mudelit GraphCast, Huawei loodud süsteemi Pangu-Weather
ja mudelit Fuxi. Esimese kahe mudeli puhul kaasasid teadlased analüüsi lisaks rgikasutusse
võetud versioonid. Võrdlusaluseks valitud HRES toetub seevastu puhtalt atmosfääri
käitumist kirjeldavatele füüsikalistele reeglitele ja seda peetakse maailma parimaks
füüsikapõhiseks ilmamudeliks.

Teadlased koostasid esmalt mahuka andmestiku aastatel 2018–2020 purunenud tuule-,
kuuma- ja külmarekorditest. Ainuüksi 2020. aasta materjal hõlmas enam kui 162 000
kuumarekordit eri kliimavöötmetest. Valimisse mahtus nii Siberi kuumalaine kui ka
kümneid tuhandeid vähem tuntud kohalikke äärmusi.

Katsete tulemused näitasid, et andmepõhised mudelid näevad äärmuslikke olukordi 
ette selgelt kehvemini. Kuigi tehisintellekt edestas tavapärase ilma ennustamisel
vana süsteemi, muutus uute rekordite puhul olukord vastupidiseks. Traditsiooniline
füüsikapõhine HRES mudel prognoosis erakordseid sündmusi uutest algoritmidest järjepidevalt
täpsemalt.

Süstemaatiline viga saatis kõiki vaadeldud masinõppemudeleid sõltumata geograafilisest
asukohast või aastaajast. Äärmusliku kuumalaine korral kippusid uued mudelid õhutemperatuuri
alahindama, samas kui külmarekordite puhul pakkus tehisaru tegelikkusest krõbedamaid
miinuskraade. Tulemused näitavad Zhangi ja Engelke töörühma sõnul, et tehisintellekt
kaldub ennustustes ilma normaliseerima.

Andmestikku edasi analüüsides selgus, et mida suurema varuga uus rekord eelmist 
ületas, seda rohkem masinõppe-algoritmid eksisid. Uurijate kinnitusel käituvad mudelid
viisil, nagu neil oleks ees kujuteldav lagi, mis ei luba neil treeningandmetest 
väljapoole astuda. Numbrilised mudelid talusid erakordseid muutusi palju paremini,
sest loodusseadused võimaldavad neil loogiliselt tuletada ka enneolematuid olukordi.

See võib seada löögi alla riiklikud hoiatussüsteemid. Uuringu autorid viitasid, 
et praeguse üleilmse soojenemise tempo juures purustavad kuumalained varasemaid 
rekordeid tihtipeale suure varuga. Kuna uusi anomaaliaid mudelite treeningandmetest
veel ei leia, ei suuda algoritmid neid piisava veendumusega ennustada.

Lisaks muretsevad uurijad, et kui tehnoloogiaettevõtted hoiavad uuemate mudelite
lähtekoode suletuna, takistab see algoritmide sõltumatut kontrolli. Olukorra parandamiseks
pakkusid autorid välja uue süstemaatilise hindamisprotokolli, mis aitab edaspidi
prognooside paikapidavust täpsemalt mõõta.

Uuritud programmid väljastasid tuleviku kohta ka vaid ühe kindla ilmapildi ehk deterministliku
prognoosi. Praegu analüüsib sama teadlaste rühm uuemaid tõenäosuspõhiseid mudeleid.
Zhangi ja Engelke on samas kindlad, et sarnased probleemid saadavad neidki, kuna
masinõpe sõltub alati algandmete kvaliteedist ja hulgast.

Arendajad peaksid leidma seega viisi, kuidas ühendada masinate arvutuskiirus füüsikalise
loogikaga. Uurijad kinnitasid, et otsivad ka ise uusi lahendusi ekstreemsete sündmuste
paremaks ennustamiseks. Nende hinnangul annavad parima tulemuse hübriidmudelid, 
mis ühendavad endas nii füüsikaliste kui ka tehisarul põhinevate ilmamudelite tugevused.

Töörühm kirjeldab oma leide [ajakirjas Science Advances](https://www.science.org/doi/10.1126/sciadv.aec1433).

[Loe allikast edasi](https://novaator.err.ee/1610048098/ulikiiret-ilmaennustust-pakkuv-tehisaru-lubab-leebemat-ilma)

![](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///ywAAAAAAQABAAACAUwAOw==)