Η πληροφορία για τις καιρικές συνθήκες των επόμενων ωρών και ημερών είναι παντού πλέον. Δεν περιορίζεται στα δελτία ειδήσεων ή στις εξειδικευμένες ιστοσελίδες, που έχουν πληθύνει. Υπολογιστές, κινητά, κάθε είδους συσκευές, φυσικά τηλεόραση και ραδιόφωνο, παρέχουν πληροφορίες για τον καιρό. Στην εποχή της κλιματικής κρίσης, όλο και περισσότεροι θέλουν να γνωρίζουν τι καιρό θα κάνει. Και όντως, η σωστή ενημέρωση είναι απαραίτητη ή και σωτήρια ορισμένες φορές. Αλλά δεν είναι μόνον οι πολίτες· από την Πυροσβεστική μέχρι την Πολιτική Προστασία, κάποιες δημόσιες υπηρεσίες πρέπει να γνωρίζουν όσο γίνεται πιο συγκεκριμένα το μετεωρολογικό δελτίο.

Το εύρος όμως όσων επιθυμούν πρόσβαση σε αξιόπιστες προγνώσεις για τον καιρό αυξάνεται. Διοργανωτές αθλητικών συναντήσεων, αγρότες, εταιρείες με ανεμογεννήτριες ή φωτοβολταϊκά, ακόμη και αλυσίδες εφοδιασμού και δίκτυα διανομής φαγητού ή άλλων ειδών θέλουν να ξέρουν τις επερχόμενες καιρικές συνθήκες. Σε πολλές περιπτώσεις η σωστή πληροφόρηση είναι πολύ σημαντική. Για παράδειγμα, για το πότε θα γίνει μια δουλειά στο χωράφι ή πώς θα ρυθμιστούν τα δίκτυα ηλεκτρικής ενέργειας, ανάλογα με αυξημένες ή όχι παροχές από συστήματα ΑΠΕ.

Ενώ αυξάνεται η ζήτηση για ακριβή μετεωρολογική πρόγνωση, η διαδικασία παραγωγής αξιόπιστων προγνώσεων αναβαθμίζεται διαρκώς, αλλά όχι με τόσο γρήγορους ρυθμούς, ενώ μοιάζει να φθάνει σε ένα όριο.

«Κερδίσαμε μια μέρα»

«Τα μετεωρολογικά μοντέλα και οι προγνώσεις μας είναι πολύ καλύτερες απ’ ό,τι πριν από 30-40 χρόνια, κυρίως λόγω της ύπαρξης πολύ αποτελεσματικών υπολογιστών. Σήμερα μπορούμε να δώσουμε ασφαλή πρόγνωση για τις επόμενες 5-7 ημέρες, έναντι τριών πριν από μερικές δεκαετίες. Κερδίζουμε περίπου μία μέρα τη δεκαετία. Παρ’ όλα αυτά, υπάρχει ακόμη μεγάλη δυσκολία να προβλέψουμε ακριβώς πού και πότε θα εκδηλωθεί ένα συγκεκριμένο φαινόμενο, όπως μια καταιγίδα. Δηλαδή ακριβώς ό,τι μας απασχολεί πιο πολύ», λέει στην «Κ» ο Κώστας Λαγουβάρδος, διευθυντής Ερευνών στο Αστεροσκοπείο Αθηνών και επιστημονικά υπεύθυνος για το meteo.gr.

Οι μετεωρολογικές προγνώσεις έχουν αφετηρία τα παγκόσμια μετεωρολογικά μοντέλα, που βασίζονται σε ένα σύνολο πολύπλοκων υπολογισμών, που «τρέχουν» μεγάλοι δημόσιοι οργανισμοί, όπως το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων (ECMWF). Πώς γίνονται όμως αυτές οι προγνώσεις; Θα λέγαμε πως ο πλανήτης χωρίζεται σε ένα πλέγμα από οριζόντια τρισδιάστατα «κουτιά», μέσα στα οποία «στριμώχνουμε» ένα πλήθος δεδομένων: θερμοκρασία, πίεση αέρα, ταχύτητα ανέμου και άλλα. Οσο καλύτερο υπολογιστικό σύστημα και λογισμικό διαθέτει το κέντρο, τόσο πιο ακριβείς υπολογισμούς μπορεί να κάνει, αξιοποιώντας έναν τεράστιο αριθμό δεδομένων.

Επίσης, όσο πιο μικρό είναι το «κουτί», τόσο πιο συγκεκριμένη γίνεται η πρόγνωση. «Σήμερα το παγκόσμιο μοντέλο που βγάζει ο ευρωπαϊκός οργανισμός έχει πλευρές εννιά χιλιομέτρων, το 2016 ήταν 16 χιλιόμετρα, το 2000 υπήρχαν παγκόσμια μοντέλα με πλευρά 25 ή και 50 χλμ. Στη συνέχεια και με βάση αυτό το μοντέλο, υπηρεσίες σε εθνικό επίπεδο διαμορφώνουν περιοχικά μοντέλα υψηλής ανάλυσης. Στο Αστεροσκοπείο “τρέχουμε” ένα μοντέλο με ανάλυση 2x2 χλμ., ενώ πριν από χρόνια ήταν 5x5 χλμ. Θα μπορούσε η πλευρά να πάει και στο ένα χιλιόμετρο, έχουμε “τρέξει” μοντέλα και με 500 μέτρα», σημειώνει ο κ. Λαγουβάρδος.

Οσο εξελίσσεται η τεχνολογία βελτιώνονται οι προγνώσεις. Κάθε μείωση του μεγέθους του «κουτιού» απαιτεί όμως πολλαπλάσιους υπολογισμούς, με έναν τεράστιο όγκο δεδομένων και πλήθος εξισώσεων που πρέπει να επιλυθούν, απαιτώντας ακόμη πιο ισχυρούς υπολογιστές.

«Παρ’ όλα αυτά μοιάζει να έχουμε φθάσει σε ένα όριο, όπου όσο μικρότερο πλαίσιο κι αν έχουμε δυσκολευόμαστε να κάνουμε πρόβλεψη με ακρίβεια την ώρα και το ακριβές σημείο μιας ισχυρής βροχόπτωσης που μπορεί να προκαλέσει πλημμύρες», σημειώνει ο κ. Λαγουβάρδος. «Φαίνεται να είναι ένα όριο που θέτει η φύση. Δεν έχει καμιά σχέση με τις τεχνολογικές μας δυνατότητες», τονίζει στον Economist ο Φάλκο Τζαντ, μετεωρολόγος στο Εθνικό Κέντρο Ατμοσφαιρικής Ερευνας των ΗΠΑ. Η ατμόσφαιρα είναι ένα «χαοτικό σύστημα», εξαιρετικά ευαίσθητο στην παραμικρή διαφοροποίηση κάποιας παραμέτρου, κάνοντας τα μοντέλα να δίνουν πολύ διαφορετικά αποτελέσματα –ειδικά μετά το πρώτο δεκαήμερο– με μικρές αλλαγές στις συνθήκες εκκίνησης.

Νέα μοντέλα

Καθώς τα βήματα εξέλιξης των μετεωρολογικών προγνώσεων μοιάζουν να «λαχανιάζουν», από διάφορες πλευρές προτείνεται ως διέξοδος η χρήση της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Το γεγονός πως σήμερα υπάρχει διαθέσιμος ένας τεράστιος όγκος δεδομένων, από παλαιότερες καιρικές συνθήκες, δίνει τη δυνατότητα να «φορτωθούν» όλα αυτά στους υπολογιστές, φιλοδοξώντας –με τη χρήση κατάλληλων αλγορίθμων– να δοθούν απαντήσεις για τις καιρικές συνθήκες του μέλλοντος.

«Σε μια σειρά πρόσφατων μελετών, κυρίως από μεγάλες εταιρείες τεχνολογίας, όπως η NVIDIA, η Huawei και η Google Deep Mind, σημειώθηκε ταχεία πρόοδος στην ποιότητα των μετεωρολογικών προγνώσεων που βασίζονται σε μηχανική μάθηση (ML). Το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων (ECMWF), το κορυφαίο επιχειρησιακό κέντρο για την πρόγνωση καιρού, έχει επαληθεύσει την εντυπωσιακή απόδοση των προγνώσεων καιρού που βασίζονται σε ML. Το πιο σημαντικό, η πραγματοποίηση μιας πρόβλεψης με αυτά τα μοντέλα απαιτεί μόνον ένα μικρό κλάσμα του χρόνου και των πόρων που απαιτούνται για μια πρόβλεψη ECMWF», λέει στην «Κ» ο Παύλος Κόλλιας, καθηγητής Ατμοσφαιρικής Επιστήμης στο κρατικό Πανεπιστήμιο της Νέας Υόρκης στο Stony Brook και διευθυντής του Παρατηρητηρίου Ραντάρ SBU-BNL. «Ωστόσο, οι προγνώσεις καιρού που βασίζονται σε ML εξακολουθούν να χρειάζονται βελτίωση στην πρόβλεψη ακραίων γεγονότων, όπου διακυβεύονται ζωές. Για να γίνει αυτό χρειάζονται την παραγωγή συμβατικών μοντέλων, που αποτελούν την πηγή των αρχικών συνθηκών που απαιτούνται για την εκτέλεση των μοντέλων μηχανικής μάθησης. Οι εθνικές μετεωρολογικές υπηρεσίες στα προηγμένα έθνη έχουν αγκαλιάσει τις δυνατότητες των μοντέλων ML και θα τα ενσωματώσουν στο οπλοστάσιό τους για ακόμη καλύτερες προγνώσεις καιρού», συμπληρώνει ο κ. Κόλλιας.

Ηδη είναι διαθέσιμο (πειραματικά) στον ιστότοπο του ECMWF το Pangu-weather Model της κινεζικής εταιρείας Huawei Cloud, που εξειδικεύεται στην παγκόσμια πρόγνωση καιρού με χρήση τεχνητής νοημοσύνης (ΑΙ). Μετεωρολογικές υπηρεσίες, ερασιτέχνες μετεωρολόγοι, αλλά και το ευρύ κοινό μπορούν πλέον να έχουν δωρεάν πρόσβαση στις παγκόσμιες προγνώσεις καιρού διάρκειας 10 ημερών του Pangu-weather. Ταυτόχρονα, το ECMWF αξιοποιεί ήδη το μοντέλο ML της Huawei, το οποίο έχει «εκπαιδευθεί» με δεδομένα καιρού 39 ετών.

Αυτό βεβαίως δεν σημαίνει ότι η τεχνητή νοημοσύνη θα αντικαταστήσει την αριθμητική πρόβλεψη μέσω των πολύπλοκων μετεωρολογικών μοντέλων. Θα μπορούσε όμως να τη βοηθήσει να γίνει πιο αποτελεσματική, ειδικά σε περιοχές του πλανήτη (Αφρική, μεγάλο μέρος της Νότιας Αμερικής και της Ασίας) που η ανάπτυξη μετεωρολογικών σταθμών είναι ανεπαρκής για ασφαλείς προγνώσεις. «Τα παγκόσμια μοντέλα που παράγονται από τους μεγάλους δημόσιους οργανισμούς, με εργασία δεκάδων ειδικευμένων επιστημόνων, αποτελούν σήμερα αναντικατάστατη βάση για τη μετεωρολογική πρόγνωση. Η τεχνητή νοημοσύνη μπορεί να αξιοποιηθεί κυρίως μέσω ενός συνδυασμού με τα κλασικά μοντέλα. Για παράδειγμα, στην προσπάθεια να απαντήσουμε το ερώτημα της συγκεκριμένης εκδήλωσης των καταιγίδων ή στο να αξιοποιήσουμε τα στοιχεία από τα μετεωρολογικά ραντάρ σε πολύ σύντομο χρόνο, σε συνδυασμό με δεδομένα του παρελθόντος, για να έχουμε άμεση πρόγνωση, now forecasting», λέει ο κ. Λαγουβάρδος.

Ο διευθυντής ερευνών του Αστεροσκοπείου δεν κρύβει πως μεγάλο μέρος των μετεωρολόγων έχει επιφυλάξεις για τις μεθόδους της ΑΙ. «Δεν εμπιστευόμαστε όσα δεν γνωρίζουμε. Θέλουμε να ξέρουμε πώς προέκυψε το αποτέλεσμα, να καταλαβαίνουμε πώς λειτουργεί, για να μπορούμε να διορθώσουμε παραμέτρους. Το να λύνεις εξισώσεις είναι πολύ πιο δύσκολο, αλλά είναι κάτι που το γνωρίζουμε», σημειώνει.

Εντούτοις ήδη δοκιμάζονται εφαρμογές. Το 2021 υπήρξε συνεργασία της Μετεωρολογικής Υπηρεσίας της Βρετανίας (Met Office) με την Deep Mind της Google για την πρόβλεψη βροχοπτώσεων με χρήση ΑΙ, με βάση τις παρατηρήσεις από ραντάρ ανίχνευσης βροχής. Σύμφωνα με τον Economist, το σύστημα τεχνητής νοημοσύνης ξεπέρασε τις υπάρχουσες αριθμητικές μεθόδους πρόβλεψης εννέα στις δέκα φορές, αν και άρχισε να παραπαίει όταν του ζητήθηκε να κάνει πρόβλεψη πέραν των 90 λεπτών.

Διοργανωτές αθλητικών συναντήσεων, αγρότες, εταιρείες με ανεμογεννήτριες, αλυσίδες εφοδιασμού και δίκτυα διανομής θέλουν να ξέρουν τις επερχόμενες καιρικές συνθήκες.

«Οι προγνώσεις καιρού, που βασίζονται σε μηχανική μάθηση, εξακολουθούν να χρειάζονται βελτίωση στην πρόβλεψη ακραίων γεγονότων όπου διακυβεύονται ζωές».

Γιάννης Ελαφρός, Καθημερινή