Модель с высокой точностью корректирует ошибки глобальных погодных моделей и дает возможность выявлять опасные штормовые вихри и аномалии температуры. Внедрение этой нейросети в прогностические комплексы улучшит безопасность судоходства, авиасообщения и добычи ресурсов на Севморпути.
Российские специалисты создали нейросеть для уточнения прогнозов глобальных метеомоделей в Арктике. Новая программа с большей долей достоверности выявляет внезапные и сильные штормы — наиболее опасные погодные явления, характерные для региона. Такие как полярные циклоны и новоземельскую бору.
В разработке приняли участие сотрудники Московского физико-технического института, Сколковского института науки и технологий, Института океанологии РАН имени П. П. Ширшова и Института искусственного интеллекта AIRI. Работа опубликована в Quarterly Journal of the Royal Meteorological Society.
«В Арктике от качества прогнозов погоды зависит безопасность судоходства, авиационного сообщения, добычи ресурсов и других видов деятельности. При этом в регионе мало метеостанций, а глобальные погодные модели зачастую имеют слишком низкое разрешение или выраженные систематические ошибки.
Существуют и нейросетевые модели прогноза погоды, но поскольку они обучены на массивах данных с таким же низким пространственным разрешением, то настолько же предрасположены к усреднению данных: сглаживают мелкие вихри и аномалии температуры.
Между тем именно эти ветровые особенности зачастую становятся причиной неожиданных штормов, а систематические температурные ошибки приводят к некорректным прогнозам состояния ледового покрова на длительных периодах моделирования»,— рассказал Михаил Криницкий, заведующий лабораторией машинного обучения в науках о Земле МФТИ и старший научный сотрудник ИО РАН.
Чтобы решить проблему, ученые создали специальную модель для исправления прогнозов. Нейросеть назвали BERTUNet, что отражает ее архитектуру — сочетание двунаправленных кодировщиков на основе трансформеров (Bidirectional Encoder Representations from Transformers, широко известная в нейросетевом сообществе как BERT) и сверточной нейросети UNet.
Особенность новой модели в том, что в основу ее работы заложен алгоритм, который «штрафует» за изменения в картине ветра и температуры на малых масштабах, но при этом корректирует крупномасштабную циркуляцию атмосферы к данным, наследуемым из глобальных прогнозов. Благодаря этому модель исправляет крупномасштабные ошибки прогноза, но намеренно не трогает мелкие вихревые структуры. Таким образом она согласует результаты с глобальными моделями низкого разрешения, но сохраняет данные о сильных ветрах высокой пространственной детализации, более достоверно отражая причины опасных метеорологических явлений на малых масштабах.
Нейросеть обучили на данных реанализа ERA5 (самом крупном в мире архиве погоды с разрешением 0,25 градуса, что составляет примерно 28 км на экваторе) и более детализированной модели Weather Research and Forecasting (WRF) с шагом 6 км, а также на измерениях, сделанных с помощью орбитальных спутников и метеостанций на суше и море. Исследование охватило наблюдения в акватории Карского и Баренцева морей за четыре с половиной года.
«Результаты показали, что исходная ошибка температуры у поверхности в некоторых случаях составляла почти 5 градусов. Новая нейросеть снизила ее до 2,1 градуса. Неточность в указании скорости ветра уменьшилась примерно на 20%. При этом спектральный анализ показал, что энергия мелких атмосферных вихрей в исправленном прогнозе осталась на уровне исходного высокого разрешения, тогда как обычные методы коррекции полностью подавляли эти структуры»,— прокомментировал результаты тестовых испытаний модели Виктор Голиков, аспирант ИО РАН, инженер-исследователь Центра искусственного интеллекта Сколтеха.
По словам ученых, разработка в первую очередь ориентирована на обеспечение безопасности морских операций на Северном морском пути. В частности, она позволяет получить более точные прогнозы ветра у поверхности моря, что необходимо для безопасной и оптимальной проводки судов в сложных ледовых и волновых условиях Арктики. Вместе с тем важно, что нейросеть можно гибко настраивать под разные задачи. Исследователь может регулировать, на каких масштабах исправлять ошибку, а какие оставлять нетронутыми.
Исследование поддержано грантом Минэкономразвития России №139-10-2025-033. Исходный код обучения модели и архитектура нейросети опубликованы в открытом доступе. Это позволяет использовать разработку для дальнейших научных изысканий и внедрять ее в оперативные прогностические системы.
Научная статья: Golikov V., Krinitskiy M., Gavrikov A., Burnaev E. & Vanovskiy V. — Neural network atmospheric bias correction on heterogeneous data with fine-scale dynamics preservation. — Quarterly Journal of the Royal Meteorological Society (2026). Early View, e70209.
DOI: https://doi.org/10.1002/qj.70209
