Ученые разработали новую модель машинного обучения NeuralGCM, способную точно прогнозировать погоду и моделировать климат. Она превосходит некоторые существующие модели и требует значительно меньше вычислительных ресурсов.
Традиционно для прогнозирования погоды и климата используются модели общей циркуляции (GCM), основанные на физических процессах атмосферы, океана и суши. Однако они требуют больших вычислительных мощностей. Модели машинного обучения предлагают альтернативный подход, но часто уступают GCM в долгосрочных прогнозах.
NeuralGCM сочетает машинное обучение и физические методы, что позволяет ей эффективно прогнозировать погоду на короткие и средние сроки, а также моделировать климат на десятилетия вперед. Точность модели сопоставима с лучшими традиционными моделями погоды, такими как ECMWF, особенно в прогнозах на 1−15 дней.
NeuralGCM также успешно моделирует климат, включая предсказание циклонов и их траекторий.
