Нова методика може зробити прорив у прогнозуванні погоди
Протягом більше ніж ста років метеопрогнози еволюціонували: від простих рівнянь на дошках до потужних комп’ютерних моделей. Але навіть найсучасніші з них досі не можуть точно враховувати дрібномасштабні атмосферні явища — такі як сильні зливи, конвекція чи фронти. Ці швидкі зміни потребують високоточної даних про вологість, однак сучасні методи томографії за даними глобальної навігаційної супутникової системи (GNSS) часто створюють загладжені зображення, які приховують найважливіші нюанси. Хоч методи підвищення роздільної здатності (даунскейлінг) здатні покращувати якість карти, але коли початкові дані недостатньо достовірні, отримані результати не дають істотної переваги. Це спонукало вчених до пошуків інструмента, який не лише деталізує GNSS-дані, а й гарантує їхню точність, відкриваючи шлях до прогнозів, здатних попереджати про найнебезпечніші прояви погоди.
З цією задачею впоралась команда з Вроцлавського університету природничих наук (Польща) та їхні колеги. У серпні 2025 року у журналі Satellite Navigation (DOI: 10.1186/s43020-025-00177-6) вони вперше представили глибинно-навчальний підхід, що дає змогу підвищити деталізацію GNSS-томографії. Завдяки навчанню генеративної змагальної мережі суперроздільності (SRGAN) на основі результатів погодних моделей, дослідникам вдалося досягти виняткової чіткості карт атмосферної вологості. Перевірки в Польщі та Каліфорнії показали: нова система не лише покращує вихідні GNSS-дані, а й, завдяки інтерпретованому ШІ, дає змогу зрозуміти логіку її рішень.
Суть нової методики — у поєднанні GNSS-томографії, симуляцій Weather Research and Forecasting (WRF) та SRGAN, яка виступає посередником для перетворення зображень низької чіткості у діаграми високої роздільної здатності. В експериментах ця технологія продемонструвала помітне зниження похибок: у Польщі — до 62%, а в Каліфорнії — на 52%, навіть за умов дощової погоди, коли найскладніше відслідкувати зміни вологості. У порівнянні з традиційною інтерполяцією Lanczos3, SRGAN надає карти з чіткішими контурами та градієнтами, які значно краще узгоджуються з еталонними погодними даними та вимірюваннями радіозондами. Родзинка нового підходу — використання засобів пояснюваного штучного інтелекту: Grad-CAM та SHAP, які окреслюють ділянки, до яких модель привертає найбільшу увагу. Завдяки цьому на візуалізаціях видно, що AI концентрується на регіонах, чутливих до негоди: наприклад, західне прикордоння Польщі або гірські райони поблизу узбережжя Каліфорнії. Поєднання точності та прозорості демонструє, як SRGAN може перетворити розмиту томографію GNSS на детальну атмосферну карту — і тим самим започаткувати еру метеорології з підтримкою ШІ.
За словами провідного автора Саїда Гаджі-Агахані: «Деталізовані дані атмосфери — це саме та ланка, якої не вистачає для прогнозування погодних подій, здатних змінювати життя людей. Ми не просто покращили чіткість у GNSS-томографії, а й відкрили прозорість процесу прийняття рішень моделлю. Це особливо важливо, якщо ми хочемо покладатися на AI у сфері прогнозування. Розкриваючи приховану структуру атмосферних явищ, наша методика дасть прогнозистам інструменти для більш впевненого попередження про екстремальні події».
Винахід має стратегічне значення не лише для науки: отримуючи деталізованіші карти вологості, метеорологи зможуть покращити як класичні фізико-математичні, так і сучасні AI-моделі прогнозування, суттєво підвищивши точність і ефективність систем раннього оповіщення про загрози. Ті регіони, які піддаються зненацька затопленням, буревіям чи миттєвим зливам, отримають змогу реагувати вчасніше й точніше. Перевага пояснюваної концепції полягає в тому, що експерти можуть контролювати рішення системи — а отже, мають підстави довіряти їй у прогнозуванні. Надалі ця технологія може інтегруватись в міжнародні погодні мережі, посилюючи захист перед сучасними кліматичними викликами.