AI modely sa výrazne zlepšujú – no na detaily búrok zatiaľ nestačia

Uplynulo asi dva a pol roka od chvíle, keď AI modely výraznejšie vstúpili do sveta meteorológie. Vtedy výstupy metódy GraphCast, založenej na strojovom učení, prvýkrát prekonali operatívne používaný systém HRES (High Resolution) Európskeho centra pre strednodobú predpoveď počasia. Išlo však o metódu s podstatne hrubším rozlíšením, takže jemnejšie črty cirkulácie a počasia – napríklad hmly alebo búrky – nebolo možné zachytiť.

Od tej doby modely a metódy predpovedí založené na strojovom učení (ML), často označované aj ako dátovo založené modely, prešli značným pokrokom. Inými slovami, už nie sú experimentálnou záležitosťou, ale nástrojom používaným paralelne s klasickými predpovednými modelmi – hoci stále s určitými limitmi. Napriek tomu sa na tento typ modelov sústreďujú všetky veľké predpovedné centrá a možno očakávať ďalší posun.

Ako AI modely fungujú

Modely predpovedí počasia založené na umelej inteligencii sa pomocou naprogramovanej neurónovej siete učia vývoj počasia z historických poveternostných podmienok. Moderné AI modely využívajú pokročilé architektúry, ako sú grafové neurónové siete alebo tzv. transformery, ktoré umožňujú paralelné spracovanie obrovského množstva dát. Tieto architektúry dokážu efektívne zachytiť lokálne interakcie (napr. horizontálne prúdenie) aj globálne diaľkové väzby v atmosfére.

Kľúčovou vlastnosťou AI modelov je schopnosť implicitne reprezentovať fyzikálne procesy – nie na základe rovníc, ale na základe naučených štatistických vzťahov. To je oproti klasickým modelom zásadný rozdiel: klasické modely striktne zachovávajú fyzikálne zákonitosti (zachovanie hmoty, energie a hybnosti), zatiaľ čo ML modely tieto zákony explicitne neobsahujú. Dôsledkom môžu byť predpovede, ktoré sú lokálne presné, no globálne nekonzistentné – napríklad s nerealistickým rozložením vlhkosti.

Na druhej strane AI modely ponúkajú extrémnu výpočtovú rýchlosť, schopnosť presne zachytiť typické poveternostné situácie a možnosť generovať veľké množstvo budúcich scenárov za minimálne náklady.

Hybridný prístup je budúcnosť

V súčasnosti už nejde o prístup v štýle súboja „AI vs. klasika", ale posúvame sa do hybridnej situácie. Cieľom je využiť fyzikálny model tam, kde je potrebná robustnosť, a AI prístup tam, kde je potrebná rýchlosť a flexibilita. V praxi vzniká niekoľko typov hybridných riešení, ktoré sa postupne zrejme spoja do jedného predpovedného komplexu.

Jedným z prvých krokov je využitie AI na aproximáciu výpočtovo náročných častí modelu – napríklad oblačných procesov, turbulencie alebo prenosu radiácie. Výsledkom bude výrazné zrýchlenie modelu pri zachovaní fyzikálnej štruktúry systému. Sľubné výsledky sa objavujú aj pri predpovediach na vzdálenejšie, niekoľkotýždňové obdobia. Dôležitou oblasťou je aj asimilácia dát, kde sa AI čoraz viac uplatňuje pri spracovaní satelitných dát a „rekonštrukcii" počiatočného stavu atmosféry.

Limity: búrky sú zatiaľ tvrdým orieškom

Napriek rýchlemu pokroku zostávajú určité limity. Zásadným problémom je reprezentácia extrémnych javov. Atmosferické veličiny majú silne nesymetrické rozdelenie, čo znamená, že extrémne hodnoty sú v trénovacích dátach relatívne vzácne. AI modely optimalizované na priemernú chybu majú tendenciu tieto extrémy systematicky podhodnocovať a „vyhládzať" polia. Tento efekt je dobre známy napríklad pri zrážkach, kde modely často reprodukujú realistickú priestorovú štruktúru, avšak s nižšími maximami.

S tým úzko súvisí problematika konvekcie a búrok. Tieto procesy sú zo svojej podstaty nelineárne, silne závislé na lokálnych podmienkach a majú charakter prahových javov. ML modely pri predpovedi konvekcie kladú dôraz na oblasti s teplejším a vlhkejším vzduchom pri zemi a na regióny, kde sa búrky historicky vyskytujú častejšie – napríklad nad orografiou. Na prvý pohľad sa môže zdať, že model „identifikuje" správne oblasti, no hlbšia analýza ukazuje, že ide skôr o rozpoznávanie štatistických vzorov než o reprezentáciu fyzikálnych mechanizmov.

Búrky sú typickým prahovým procesom: relatívne malá zmena teplotného alebo vlhkostného profilu môže viesť k prekonaniu konvektívnej inhibície a rýchlemu rozvoju konvekcie. AI modely však aproximujú vzťah medzi vstupmi a výstupmi pomocou spojitých funkcií, ktoré tieto prahové efekty „vyhládzajú". Výsledkom je, že model dokáže identifikovať prostredie priaznivé pre konvekciu, no horšie zachytáva samotný okamih jej spustenia.

Ďalším problémom je priestorová lokalizácia: AI modely majú tendenciu „rozmazávať" predpovede búrok do širšej oblasti, preceňovať ich pravdepodobnosť nad horskými oblasťami a naopak podceňovať ich vznik v nížinách. Chýba aj explicitné fyzikálne prepojenie medzi vertikálnymi hladinami, čo oslabuje schopnosť zachytiť vrstvy so suchším vzduchom alebo inverzie. Tieto nedostatky sa navyše najvýraznejšie prejavujú v situáciách s malým vplyvom veľkopriestorových synoptických procesov – a práve tie sú pre strednú Európu najtypickejšie.

Záver

AI modely zažívajú búrlivý rozvoj a ich miesto v operatívnej meteorológii je dnes nesporné. Ich integrácia s klasickými fyzikálnymi modelmi sľubuje v budúcnosti predpovede, ktoré budú rýchlejšie, lacnejšie a v mnohých ohľadoch presnejšie. Pre detailnú predpoveď konvektívnych búrok však zostávajú dôležité obmedzenia, ktorých prekonanie bude vyžadovať ďalší výskum a metodologický pokrok. Kedy a ako presne to bude vyzerať, nie je v tejto chvíli jednoduché povedať.

Zdroje: Žák, M. (2026, 8. apríl). AI modely se výrazně zlepšují, nejen na detaily bouřek ale zatím nestačí. In-počasí