Pikaajaliste ilmaennustuste koostamine muudab keeruliseks ülesandeks Maa atmosfääri kaootiline olemus. Teadlased leidsid juba 1960. aastatel, et selle ettearvamatu käitumise tõttu pole võimalik ilma ette ennustada ilmselt rohkem kui kaks nädalat. Vaatamata järgnenud kümnenditel mudeldamise vallas tehtud edusammudele piirdusid usaldusväärsed ilmaennustused isegi sajandivahetuseks vaid ühe nädalaga.

Suurema muutuse tõid alles superarvutid, mis võimaldasid jooksutada keerukamaid matemaatilisi mudeleid ja luua kõrgema resolutsiooniga prognoose. Eriti oluline on see kohalike äärmuslike ilmastikunähtuste, nagu äikesetormide ja intensiivsete sademete, ennustamisel.

Sisuliselt lahendasid need aga endiselt reaalseid füüsikalisi protsesse kajastavaid võrrandeid. Uued tehisarul põhinevad mudelid lähtuvad seevastu aastakümnete vältel üle terve planeedi kogutud ilmavaatlustest. Praegu atmosfääris teatud mustreid märgates üritavad need mineviku põhjal ennustada, mis edasi juhtub.

Viimastel aastatel on esitlenud juba ainuüksi Google mitut sellist mudelit. Näiteks avalikustas DeepMind 2023. aastal mudeli GraphCast, mis pakkus ühe kindla prognoosi teatud ajahetke ja asukoha kohta. Selle aasta keskel tuli Google välja aga mudeliga, mis üritas tehisaru ja traditsioonilisi füüsikamudeleid kombineerida. Miinuspoolena olid neil põhinevad deterministlikud – vihma sajab või ei saja. See eristas neid klassikalistest ilmaprognoosidest.

Nüüd kirjeldavad DeepMindi teadlased uut mudelit GenCast. Ettevõte kasutas mudeli treenimiseks 40 aasta (1979 – 2018) pikkust ilmaandmete arhiivi, mille koostas ECMWF. Arhiiv sisaldas mitmesuguseid andmeid, nagu tuule kiirust, temperatuuri, õhurõhku ja mitmeid teisi muutujaid eri kõrgustel. Sarnaselt ECMWF-i prognoosidele on GenCasti prognoosid sinna juurde tõenäosuslikud. Selleks loob mudel mitmeid ennustusi veidi erinevate algtingimustega. Seejärel kombineerib see tehtud ennustusi ja hindab neist igaühe esinemise võimalust.

Lõpptulemusena võib näiteks selguda, et mingis piirkonnas sajab kümne päeva pärast 70-protsendilise tõenäosusega vihma. Mudeli üks peamisi eeliseid on selle kiirus. Uuringu kohaselt võtab 15-päevase prognoosi loomine GenCastil ainult kaheksa minutit, samas kui klassikalistel mudelitel kulub selleks isegi superarvutite abi kasutades mitmeid tunde. Edu üks võtmeid on spetsiaalselt masinõppeks loodud arvutikiip Google Cloud TPU.

Töörühm leidis oma mudeli täpsust seni maailma juhtivaks ilmaennustusmudeliks olnud ECMWF-i ENS-mudeli ennustusega kõrvutades, et nende mudeli ennustused olid enamasti täpsemad. Kokku 1320 näitjuhtu aluseks võttes jõudis see täpsema tulemuseni 97,2 protsendil puhkudel. Eriti hästi suutis see prognoosida äärmuslike ilmaolude esinemist ja troopiliste tsüklonite liikumisteid.

Nõnda võiks autorite hinnangul sellest kasu lõigata näiteks energeetikasektor, sest taastuvenergiatootjad saaksid täpsemalt ennustada, kui palju tuule- ja päikeseenergiat mingil ajahetkel toodetakse.

Samal ajal tõotab sellest täpsemate ilmaennustuste näol kasu saada ka laiem avalikkus. DeepMindi meeskond otsustas GenCasti tehnoloogia ja selle aluseks oleva arvutikoodi avalikustada ja teha GenCasti mudeli parameetrid, nn kaalud, mittetulunduslikeks eesmärkideks teadlastele kättesaadavaks. ECMWF-i kõneisiku Matthew Chantry sõnul on nad mõned GenCasti elemendid juba ise kasutusele võtnud.

Mitmed atmosfäärifüüsikud, näiteks Readingi Ülikooli andmete assimilatsiooni professor Sarah Dance on aga nentinud, et DeepMindi teadlased pole vastanud kõigile nende küsimustele. Näiteks pole selge, kas nende süsteem on piisavalt realistlik jäljendamaks näiteks nn liblika tiivalöögi efekti. Viimane tähendab, et isegi väikestel muutujatel võib olla ilmastikunähtusele suur mõju. Eriti oluline on see tahk usaldusväärsete ansambelprognooside loomiseks. Sellegipoolest usuvad nad, et ilmaprognooside vallas on toimumas laiem paradigma muutus.

GenCasti kirjeldav uuring ilmus ajakirjas Nature.