Разработка поможет уберечь суда от экстремальных явлений погоды и обеспечит безопасную работу портов и нефтегазовых платформ в северных морях. При тестировании ИИ-модель показала отклонение менее 3% от эталонных данных по числу выявленных вихрей.
Качественные прогнозы погоды — важный фактор безопасного освоения Арктики. При этом ускоренное потепление способствует увеличению экстремальных погодных событий в полярных регионах. Чтобы улучшить качество прогнозов, сотрудники Московского физико-технического института и Института океанологии имени П. П. Ширшова РАН разработали нейросеть, которая в пять раз улучшила пространственное разрешение глобальных климатических моделей. Также она продемонстрировала в 60 раз большую вычислительную эффективность по сравнению с традиционными методами анализа. Статья, посвященная разработке, опубликована в журнале Frontiers in Marine Science.
«Изменение ветровых режимов несет серьезные последствия для судоходства по Севморпути. Сильные ветра и волны нередко становятся причиной задержки судов и увеличения эффективной длины маршрутов. Также они оказывают разрушительное воздействие на портовые сооружения и морские нефтегазовые платформы.
Вместе с тем изучение погоды в Арктике ограничено редкой сетью метеорологических станций, их неравномерным распределением и нерегулярностью спутниковых данных. Дефицит информации делает необходимым процессно-ориентированное мезомасштабное моделирование»,— объяснил Вадим Резвов, первый автор публикации, заместитель заведующего лабораторией машинного обучения в науках о Земле МФТИ.
В ходе обучения нейросети, объяснил он, на вход подавали крупномасштабные данные глобального погодного архива ERA5 (с разрешением 31 км), а в качестве эталона использовали модель WRF (Weather Research and Forecasting) с детализацией 6 км. В результате нейросеть научилась восстанавливать поля ветров с таким же качеством. Время обучения составило порядка 17 часов. Однако после завершения этого процесса расчет ветровых полей занимал всего 10 минут на год — против 10 часов у эталонной модели.
Также оказалось, что исходные данные ERA5 занижали число выявленных вихревых треков почти на 47%, в то время как нейросеть восстановила картину ветров с отклонением менее 3% по сравнению с контрольными данными.
«Отслеживая мезомасштабные вихри и сравнивая статистику их жизненного цикла с эталоном, мы доказали, что нейросеть улавливает существенные статистические свойства полярных мезоциклонов. Тесное совпадение распределений максимальной медианной скорости ветра вдоль треков вихрей свидетельствует о том, что интенсивность этих опасных явлений воспроизводится реалистично, что важно для таких применений, как ветроэнергетика или безопасность на море»,— сообщил Михаил Криницкий, заведующий лабораторией машинного обучения в науках о Земле МФТИ и старший научный сотрудник ИО РАН.
Особенно авторы отметили способность нейросети воспроизводить параметры боры — шквального ветра стоковой природы, который возникает, когда холодный воздух с покрытого льдом Карского моря переваливает через хребты Новой Земли и, ускоряясь на склоне горного массива, обрушивается на незамерзающее Баренцево море. Это сложное для моделирования явление, которое требует учета рельефа местности и процессов в пограничном слое атмосферы. Тем не менее на сетке с шагом 6 км нейросеть правильно передала положение и интенсивность порывов ветра, тогда как модель, лежащая в основе ERA5, существенно занизила его интенсивность.
Дополнительным подтверждением реалистичности нового ИИ-алгоритма стала его проверка на волновой модели. Так, расчеты высоты волн в Баренцевом море с использованием ветра, рассчитанного нейросетью, дали результат, который почти неотличим от эталонного, измеренного в натурных условиях. При этом он был существенно более точен, чем расчеты высоты волн с использованием ветра из ERA5. Это означает, что разработка уже может быть пригодна для практического применения в системах прогноза морских волн и штормовых предупреждений.
Научная статья: Rezvov V, Krinitskiy M, Gavrikov A, Koshkina V and Demidova E On the phenomena-oriented validation of spatial neural-network based surface wind downscaling over the Arctic seas. Frontiers in Marine Science, 2026. 13:1765713. DOI: 10.3389/fmars.2026.1765713
