ИИ-погодные модели точнее по среднему, но хуже видят жару

Авторы сравнили шесть современных нейросетевых погодных моделей с обычными физическими прогнозами и простыми базовыми вариантами. Они смотрели не только на обычную температуру у поверхности, но и на то, как модели улавливают сильную жару на горизонте 10–15 дней — то есть в зоне, где обычный прогноз уже начинает терять точность. Смысл был в том, чтобы понять, может ли ИИ давать ранний сигнал о жаре там, где важны не только средние значения, но и редкие опасные пики.

Главный результат такой: по стандартным метрикам точности некоторые нейросети оказались на уровне лучших физических моделей или даже лучше. Но за это они часто платили «размыванием» прогноза — картинка становилась слишком гладкой, а самые жаркие точки и самые высокие значения занижались. Это важно, потому что для предупреждений о жаре мало знать, что в целом будет тепло; нужно видеть, где и насколько сильно температура может выстрелить вверх.

Ещё один заметный вывод: все модели хоть как-то улавливали жаркие эпизоды, но лучшая полнота обнаружения таких событий осталась у IFS, то есть у физической модели Европейского центра среднесрочных прогнозов. Среди нейросетей AIFS выделилась тем, что смогла совместить неплохую точность по температуре с лучшей передачей структуры поля, то есть не так сильно сглаживала прогноз. В более широком смысле работа показывает, что ИИ уже умеет ловить общий сигнал о предстоящей жаре, но пока плохо справляется с тем, ради чего такие предупреждения особенно нужны: показать, кто именно окажется под ударом, где именно и насколько сильно.