ИИ меняет прогнозирование погоды — и это может стать переломным моментом для фермеров по всему миру.

Прогнозы погоды помогают фермерам определить, когда сеять, где использовать удобрения и многое другое. Майтрея Шах/Studio India

Для фермеров каждое решение о посадке связано с рисками, и многие из этих рисков возрастают с изменением климата. Одним из наиболее серьёзных последствий является погода, которая может негативно сказаться на урожайности и средствах к существованию. Например, задержка муссона может вынудить фермера, выращивающего рис, в Южной Азии пересеять посевы или полностью сменить культуру, что повлечёт за собой потерю времени и дохода.

Доступ к надежным и своевременным прогнозам погоды может помочь фермерам подготовиться к предстоящим неделям, найти лучшее время для посадки или определить, сколько удобрений потребуется, что приведет к повышению урожайности и снижению затрат .

Тем не менее, во многих странах с низким и средним уровнем дохода точные прогнозы погоды остаются недоступными из-за высоких затрат на технологии и требований к инфраструктуре традиционных моделей прогнозирования.

Новая волна моделей прогнозирования погоды на базе искусственного интеллекта может изменить ситуацию.

Благодаря использованию искусственного интеллекта эти модели могут предоставлять точные, локализованные прогнозы, требуя при этом лишь малую долю вычислительных затрат по сравнению с традиционными физическими моделями. Это позволяет национальным метеорологическим агентствам развивающихся стран предоставлять фермерам своевременную, локализованную информацию об изменении режима осадков, которая им необходима.

Задача состоит в том, чтобы внедрить эту технологию там, где она необходима.

Почему прогнозирование с помощью ИИ важно именно сейчас

Физические модели прогнозирования погоды, используемые крупными метеорологическими центрами по всему миру, мощны, но дороги. Они имитируют физику атмосферы для прогнозирования погодных условий, но требуют дорогостоящей вычислительной инфраструктуры. Высокая стоимость делает их недоступными для большинства развивающихся стран.

Более того, эти модели в основном разрабатывались и оптимизировались для северных стран. Они, как правило, ориентированы на умеренные регионы с высоким уровнем дохода и меньше учитывают тропики, где расположено множество стран с низким и средним уровнем дохода.

Значительный сдвиг в моделировании погоды начался в 2022 году, когда исследователи из отрасли и университетов разработали модели глубокого обучения, которые могут генерировать точные краткосрочные и среднесрочные прогнозы для различных точек земного шара на срок до двух недель вперед.

Эти модели работали на несколько порядков быстрее, чем модели, основанные на физике, и могли работать на ноутбуках вместо суперкомпьютеров. Более новые модели, такие как Pangu-Weather и GraphCast , достигли результатов, сопоставимых или даже превзошедших ведущие системы, основанные на физике, по некоторым прогнозам, например, по температуре.

Модели на основе искусственного интеллекта требуют значительно меньше вычислительной мощности, чем традиционные системы.

В то время как системам, основанным на физических законах, могут потребоваться тысячи процессорных часов для выполнения одного цикла прогнозирования, современные модели ИИ могут сделать это, используя один графический процессор, за считанные минуты после обучения модели. Это связано с тем, что интенсивная часть обучения модели ИИ, которая изучает взаимосвязи в климате на основе данных, может использовать эти изученные взаимосвязи для составления прогноза без дополнительных обширных вычислений – это существенное сокращение времени. В отличие от этого, модели, основанные на физических законах, должны рассчитывать физические условия для каждой переменной в каждом месте и времени для каждого составленного прогноза.

Хотя обучение этих моделей на основе данных физических моделей требует значительных первоначальных инвестиций, после обучения ИИ модель может генерировать большие ансамблевые прогнозы — наборы из нескольких запусков прогнозов — за малую часть вычислительных затрат физических моделей .

Даже дорогостоящий этап обучения модели погоды на основе искусственного интеллекта (ИИ) демонстрирует значительную экономию вычислительных ресурсов. Одно исследование показало, что ранняя модель FourCastNet могла быть обучена примерно за час на суперкомпьютере. Это позволило ей предоставлять прогнозы в тысячи раз быстрее, чем современные физические модели.

Результат всех этих достижений: прогнозы погоды с высоким разрешением по всему миру за считанные секунды на одном ноутбуке или настольном компьютере.

Также стремительно развиваются исследования по расширению использования ИИ для прогнозирования на недели и месяцы вперёд , что помогает фермерам принимать решения о посадке. Модели ИИ уже тестируются для улучшения прогнозирования экстремальных погодных явлений, таких как внетропические циклоны и аномальные осадки .

Адаптация прогнозов для реальных решений

Хотя модели погоды на основе ИИ обладают впечатляющими техническими возможностями, они не являются решениями, готовыми к использованию. Их эффективность зависит от того, насколько хорошо они откалиброваны с учётом местной погоды, сопоставлены с реальными сельскохозяйственными условиями и соответствуют фактическим решениям, которые фермеры принимают, например, о том, что и когда сеять или когда ожидается засуха.

Чтобы полностью раскрыть свой потенциал, прогнозирование на основе ИИ должно быть связано с людьми, решения которых оно призвано направлять.

Именно поэтому такие группы, как AIM for Scale , с которой мы сотрудничаем как исследователи в области государственной политики и устойчивого развития , помогают правительствам разрабатывать инструменты ИИ, отвечающие реальным потребностям, включая обучение пользователей и адаптацию прогнозов к нуждам фермеров. Международные институты развития и Всемирная метеорологическая организация также работают над расширением доступа к моделям прогнозирования на основе ИИ в странах с низким и средним уровнем дохода.

Прогнозы на основе ИИ можно адаптировать к конкретным сельскохозяйственным потребностям, например, для определения оптимальных сроков посадки, прогнозирования засушливых периодов или планирования борьбы с вредителями. Распространение этих прогнозов посредством текстовых сообщений, радио, через консультантов или мобильные приложения может помочь фермерам, которым они могут принести пользу. Это особенно актуально, когда сами прогнозы постоянно проверяются и совершенствуются, чтобы гарантировать их соответствие потребностям фермеров.

Недавнее исследование в Индии показало, что, когда фермеры получали более точные прогнозы муссонов, они принимали более обоснованные решения о том, что и сколько сажать (или стоит ли сажать вообще), что приводило к лучшим инвестиционным результатам и снижению риска.

Новая эра в адаптации к изменению климата

Прогнозирование погоды с помощью искусственного интеллекта достигло переломного момента. Инструменты, которые были экспериментальными всего пять лет назад, теперь интегрируются в государственные системы прогнозирования погоды . Но одни только технологии не изменят жизни.

При поддержке страны с низким и средним уровнем дохода могут нарастить потенциал для составления, оценки и принятия мер на основе собственных прогнозов, предоставляя фермерам ценную информацию, которая долгое время отсутствовала в метеорологических службах.