Z ETH Zurich pochází základní model schopný integrovat atmosféru, půdu a vodní cyklus i s použitím neúplných dat.

Když se tropická bouře během několika dní promění v supertajfun, výzvou není jen předpovědět její trajektorii. Jde o pochopení toho, jak se vítr, srážky, vlhkost půdy, topografie, teplota a atmosférická cirkulace vzájemně ovlivňují. V červenci 2023 tajfun Doksuri tuto složitost obzvláště tvrdě demonstroval, když zasáhl Filipíny a Čínu prudkými větry, přívalovými dešti a rozsáhlými škodami v pobřežních oblastech. Výzkumníci z ETH Domain využili tento konkrétní případ k otestování nového meteorologického modelu. Umělá inteligence aplikováno na zemský systém.

Model se nazývá Model základů zemského systémunebo ESFMa byl vyvinut v rámci Švýcarská iniciativa pro umělou inteligenci, s přispěním ETH Zurich, EPFL, Švýcarské centrum pro datovou vědu a další vědečtí partneři. Inovace nespočívá v nahrazení tradičních meteorologických modelů, ale ve vybudování infrastruktury schopné interpretovat heterogenní a neúplná data: satelitní snímky, měření z pozemních stanic, atmosférické série, hydrologická data a pozorování rozptýlená v prostoru a čase.

Problém je průmyslový i vědecký. Zemědělství, pojišťovnictví, správa infrastruktury, civilní obrana, energetika a urbanistické plánování stále více závisí na spolehlivých předpovědích a rekonstrukcích. Skutečná data o životním prostředí však zřídka dorazí v uspořádané podobě. Monitorovací sítě nejsou rovnoměrně rozmístěny, senzory mohou selhat, mraky zakrývají satelity a odlehlé oblasti zůstávají špatně pozorovatelné. Systém ESFM byl vytvořen proto, aby fungoval přesně v rámci této diskontinuity.

Model, který propojuje atmosféru, pevninu a vodu

Klíčovým bodem je integrace. Mnoho systémů umělé inteligence pro meteorologii se zaměřuje především na atmosféru a zbytek považuje za kontext nebo sekundární proměnné. ESFM se naopak pokouší reprezentovat Zemský systém jako propojený celek, kde atmosférické, hydrologické a terestrické procesy nejsou uměle odděleny. Tento přístup je relevantní, protože extrémní jevy, jako jsou povodně, sucha a tropické cyklóny, nezávisí na jediné proměnné, ale na řetězcích zpětné vazby.

Fanny Lehmannová, matematik, postdoktorandCentrum ETH AI a člen skupiny, která model vyvinula, vysvětlil metodologický skok takto:

Předchozí modely počasí s využitím umělé inteligence se často zaměřovaly především na atmosféru. Náš model však záměrně propojuje atmosférická meteorologická data s hydrologickými a terestrickými daty. Na základě toho umělá inteligence identifikuje klíčové vzorce, trendy a vztahy v rámci zemského meteorologického systému a využívá je ke generování předpovědí, a to i v případě, že důležitá data chybí. Skutečná síla našeho modelu spočívá v jeho schopnosti učit se klíčové meteorologické interakce z různých zdrojů dat.

Technicky vzato, ESFM nevnucuje všechny informace do jediné, přednormalizované mřížky. Model zpracovává různé typy dat odděleně, spojuje je s prostorovými a časovými souřadnicemi a poté je kombinuje do společného rámce. To umožňuje zachovat specifické charakteristiky každého zdroje, od satelitních rastrových map až po bodová měření teploty, tlaku, větru nebo hladiny vody.

Je to důležitý krok v používáníBig dat v environmentálních vědách. Široká škála pozorování nestačí, pokud data nejsou srovnatelná. Inovace ESFM spočívá v jeho schopnosti používat různé formáty a hustoty, aniž by se vše redukovalo na rigidní reprezentaci a cestou se ztrácely informace.

Doksuriho test a problém neúplných pozorování

Test supertajfunu Doksuri je významný, protože tato událost nebyla zahrnuta do tréninkových dat. Navzdory tomu ESFM podle ETH Zurich předpověděl intenzitu větru s pozoruhodnou přesností po dobu několika dnů a realisticky rekonstruoval polohu, pohyb a prostorovou expanzi bouře. To sice nepředstavuje provozní certifikaci pro použití jako varovný systém, ale naznačuje užitečnou schopnost zobecnění pro výzkum extrémních jevů.

Nejvýraznějším rysem modelu však zůstává jeho správa informačních mezer. Podle zdroje je ESFM po trénování schopen generovat předpovědi i ze satelitních pozorování, kde je k dispozici pouze přibližně 100 % dat. 3 procenta pixelůTo je obzvláště důležité pro aplikace v oblastech se slabým pozorovacím pokrytím nebo v situacích, kdy je získávání dat brzděno povětrnostními podmínkami, technickými omezeními nebo nedostatkem infrastruktury.

Firat Özdemir, hlavní vývojář týmu ESFM a senior datový vědec ve společnosti lo Švýcarské centrum pro datovou vědu, shrnul problém takto:

Předchozí modely umělé inteligence pro předpověď počasí, na rozdíl od ESFM, byly často trénovány na jednom datovém typu nebo na několika podobně formátovaných datových sadách. Jejich výkon často klesá při práci s vysoce heterogenními nebo neúplnými daty. ESFM řeší tuto výzvu integrací dat z více zdrojů a mnohem efektivnějším vyplňováním informačních mezer.

Tato schopnost má konkrétní důsledky. Například v oblasti postižené suchem může kombinace srážek, půdní vlhkosti, geologických prvků, teploty a hladiny vody pomoci interpretovat vývoj rizika. ESFM rekonstruuje chybějící data propojením mezer s dostupnými informacemi z blízkých oblastí, korelovanými proměnnými a minulými pozorováními. Logika nespočívá v jednoduché interpolaci, ale spíše v učení se opakujících se fyzikálních vztahů.

Od specializovaných modelů po opakovaně použitelnou základnu

Slovo základový model Je třeba si ho pečlivě přečíst. V jazyce umělé inteligence označuje model trénovaný na širokém základě, který lze znovu použít a přizpůsobit následným úkolům prostřednictvím... doladěníV případě věd o Zemi to znamená přechod od vertikálních nástrojů, vytvořených pro jednu proměnnou nebo případ užití, k obecnější platformě pro integraci dat a prognózování.

Sebastian Schemm, vědec o atmosféře a profesor naUniversity of Cambridge, který již působí na ETH Zurich, specifikoval rozsah modelu:

ESFM není ani klasický klimatický model, ani specializovaný model pro předpověď počasí či varování před bouřkami; spíše patří do samostatné kategorie modelů, které mohou sloužit jako flexibilní základ pro širokou škálu úkolů ve výzkumu klimatu a počasí. Jeho výhoda spočívá v jakémsi naučeném systémovém porozumění, které mu umožňuje v mnoha případech vytvářet věrohodné předpovědi, a to i v případě, že jsou data neúplná nebo fragmentovaná.

Technické práce spojené s projektem, prezentované naValné shromáždění EGU 2026 z Vídně popisuje ESFM jako rámec pro integraci heterogenních dat a prognózování. Model staví na páteřní 3D Swin UNet Již používaná společností Aurora, zavádí rozšíření pro chybějící data, řídká měření, bodová pozorování a satelitní snímky. Mezi prvky zdůrazněné v preprintu patří axiální pozornost k zachycení závislostí mezi proměnnými a schémata tokenizace jednotlivých proměnných.

Pro toto odvětví je tento posun významný, protože posouvá klimatickou umělou inteligenci z převážně experimentálního prostředí do modulárnější architektury. Základní model lze přizpůsobit hydrologii, zemědělství, biodiverzitě nebo monitorování životního prostředí, aniž by bylo nutné pokaždé začínat od nuly. Mathieu Salzmann, vedoucí vědecký pracovník společnostiEPFL a zástupce hlavního datového vědce ve Švýcarském centru pro datovou vědu, naznačil přesně tento směr: využití reprezentativní kapacity modelu v oblastech, jako je zemědělství, biodiverzita a hydrologie.

Otevřený přístup a důsledky pro regiony s nedostatkem dat

Dalším průmyslově významným faktorem je dostupnost. ETH Zurich uvádí, že ESFM je k dispozici na Objímání obličeje a v úložišti GitHubVeřejné úložiště obsahuje trénovací a vyhodnocovací kód pro experimenty s předpovědí atmosféry a zemského systému. V oblasti, kde dominují drahé výpočetní zdroje, otevřenost modelu neodstraňuje bariéry, ale umožňuje výzkumným skupinám a veřejným organizacím tento rámec kontrolovat, přizpůsobovat a testovat.

Projekt je také podporovánMezinárodní síť pro výpočetní techniku ​​a umělou inteligenci, iniciativa spojená s ETH Zurich, která podporuje mezinárodní spolupráci v oblasti umělé inteligence. Jedním z deklarovaných cílů je zpřístupnit modely tohoto typu použitelné i v Globální jih, kde nedostatek lokálních dat představuje strukturální omezení pro environmentální prognózy. V takových kontextech může být schopnost zpřesnit ESFM s využitím regionálních pozorování přínosem pro zemědělství, vodní hospodářství a prevenci rizik.

Torsten Höfler, profesor informatiky na ETH Zurich a hlavní architekt umělé inteligence ve společnosti Švýcarské národní superpočítačové centrum z Lugana spojil případ ESFM s obecnější povahou modelů nadací:

„Trénováním na velmi odlišných typech dat získávají modely jako ESFM určitou formu základních znalostí, a proto mohou flexibilně řešit širokou škálu úkolů. Ve výzkumu umělé inteligence se jim říká základní modely.“

Předvídání by nemělo být zaměňováno s příslibem dokonalé predikce. Extrémní události zůstávají složitými dynamickými systémy a jakýkoli výstup generovaný modelem vyžaduje validaci, porovnání s nezávislými pozorováními a integraci do stávajících protokolů. Směr je však jasný:Umělá inteligence Vstupuje do meteorologie a environmentálních věd nejen jako prediktivní nástroj, ale i jako technologie pro rekonstrukci a integraci znalostí.

Pro ŠvýcarskoProjekt potvrzuje roli distribuovaných výzkumných ekosystémů napříč univerzitami, datovými centry a superpočítačovými infrastrukturami. Pro trh signalizuje potenciální posun: od specializovaných modelů pro jednu prognózu k opakovaně použitelným základům pro pochopení klimatických, hydrologických a územně-využívaných jevů s často nedokonalými daty. Výzvou bude transformovat tuto schopnost do spolehlivých, ověřitelných a užitečných nástrojů pro veřejná a průmyslová rozhodnutí.

Od roku 1880 do roku 2025, teplota planety Země podle Big Data

Monitorování emisí oxidu uhličitého z vesmíru

Zde jsou tři poznatky, které by vás mohly zajímat:

Jak změna klimatu ovlivňuje bezpečnost na pracovišti
Kondenzační stopy, síra a aerosoly: to je nová klimatická hádanka létání.
Mount Cimone, globální klimatický strážce na vrcholu Apenin