Nova mala revolucija u prognoziranju vremena: NOAA uvodi novu generaciju umjetne inteligencije

Američka meteorološka služba NOAA pokrenula je 17. prosinca 2025. godine tri nova operativna modela za globalnu prognozu vremena temeljena na umjetnoj inteligenciji, označivši tako jednu od važnijih prekretnica u povijesti numeričkog prognoziranja.

Prognoziranje vremena oduvijek je bilo jedno od najizazovnijih područja znanosti. Atmosfera je kaotičan sustav u kojem sitne promjene početnih uvjeta mogu dovesti do dramatično različitih ishoda — fenomen poznat kao “učinak leptira”. Desetljećima su meteorolozi gradili sve složenije fizikalne modele koji numerički rješavaju jednadžbe dinamike fluida, pokušavajući predvidjeti buduće stanje atmosfere. No računalna zahtjevnost takvih simulacija je golemna: najnapredniji globalni modeli zahtijevaju superračunala koja troše megavate električne energije i satima računaju svaku prognozu.

Sve se to počelo postupno mijenjati posljednjih godina pojavom strojnog učenja u meteorologiji. Tvrtke poput Googlea, Nvidije i Huaweija razvile su modele koji su pokazali da umjetna inteligencija može naučiti obrasce ponašanja atmosfere izravno iz podataka, bez potrebe za eksplicitnim rješavanjem fizikalnih jednadžbi. Rezultati su pomalo iznenadili znanstvenu zajednicu: ti su modeli postizali točnost usporedivu ili u nekim uvjetima čak bolju od tradicionalnih sustava, a što je najvažnije, prognoze su proizvodili u minutama umjesto u satima.

Nova trijada AI modela

NOAA je sada službeno uvela tri nova sustava u operativnu uporabu. Njihov razvoj proizašao je iz projekta EAGLE (Experimental AI Global and Limited-area Ensemble forecast system), zajedničke inicijative koja okuplja NOAA-ine laboratorije za istraživanje oceana i atmosfere, Nacionalnu meteorološku službu te Centar za inovacije u predviđanju Zemljinog sustava.

AIGFS — Brži i učinkovitiji od prethodnika

Prvi član nove obitelji jest AIGFS (Artificial Intelligence Global Forecast System), AI inačica poznatog američkog globalnog modela GFS. Ovaj sustav koristi grafičke neuronske mreže za generiranje šesnaestodnevnih prognoza, a njegova je najupečatljivija karakteristika nevjerojatna učinkovitost: jedna prognoza troši tek 0,3 posto računalnih resursa potrebnih klasičnom GFS-u i završava za približno četrdeset minuta. Za usporedbu, tradicionalni GFS zahtijeva sate računanja na superračunalima.

No brzina nije jedina prednost. AIGFS pokazuje poboljšanu vještinu u prognozi velikih atmosferskih obrazaca, a osobito se ističe u praćenju tropskih ciklona — njegovi prognostički tragovi oluja na duljim vremenskim skalama preciznije pogađaju stvarnu putanju nego što to čini tradicionalni model. Ipak, prva verzija ima i slabosti: procjene intenziteta uragana trenutačno zaostaju za klasičnim pristupom, što razvojni tim planira ispraviti u budućim verzijama.

AIGEFS — Raspon mogućih ishoda

Druga komponenta, AIGEFS (Artificial Intelligence Global Ensemble Forecast System), donosi ono što meteorolozi nazivaju ansamblskim pristupom. Umjesto jedne determinističke prognoze, ovaj sustav generira trideset i jedan član ansambla — trideset i jednu moguću verziju budućeg razvoja vremena temeljenu na malo različitim početnim uvjetima simulacije. Takav pristup prognosticima daje uvid u nesigurnost prognoze i raspon mogućih scenarija.

AIGEFS troši samo devet posto računalnih resursa klasičnog ansamblskog sustava GEFS, a pokazuje usporedivu vještinu prognoze s dodatkom koji nije zanemariv: predvidljivost se proteže za dodatnih osamnaest do dvadeset četiri sata u odnosu na tradicionalni pristup. U svijetu meteorologije, gdje svaki dodatni sat točne prognoze može značiti spašene živote i imovinu, to je značajan napredak.

HGEFS — Hibridni “veleansambl”

Treći i najinventivniji član nove postave jest HGEFS (Hybrid Global Ensemble Forecast System). NOAA ovdje čini nešto što dosad nijedan operativni centar nije pokušao: spaja trideset i jedan član fizikalnog ansambla GEFS s trideset i jednim članom AI ansambla AIGEFS u jedinstven “veleansambl” od šezdeset dva člana.

Zašto je to važno? Svaki član ansambla predstavlja jedan mogući razvoj stanja atmosfere, a više članova daje bolju procjenu nesigurnosti. No ključ je u tome što dva sustava — jedan temeljen na fizici, drugi na strojnom učenju — griješe na različite načine. Kombiniranjem oba pristupa dobiva se robusniji skup prognoza koji bolje predstavlja pravu nesigurnost budućeg vremena. Ova metodika je inače slična onome što radi Meteo centar za svoju mobilnu aplikaciju – korištenjem različitih tipova meteoroloških modela za izračun konačne prognoze (uz razliku da u Meteo centru – još – ne koristimo AI modele za ulazne setove podataka). Početna testiranja pokazuju da HGEFS dosljedno nadmašuje i čisti AI ansambl i čisti fizikalni ansambl u većini verifikacijskih metrika.

Na ramenima divova: GraphCast kao temelj

NOAA-ini novi modeli nisu nastali “u vakuumu”. Kao polazišnu točku, tim je uzeo GraphCast — model koji je Google DeepMind predstavio krajem 2023. godine i koji je tada izazvao val iznenađenja u meteorološkoj zajednici. GraphCast koristi grafičke neuronske mreže za učenje vremenskih obrazaca iz gotovo četiri desetljeća povijesnih podataka, pretvarajući ogroman arhiv prošlih atmosferskih stanja u predvidljivu funkciju koja mapira sadašnje stanje u buduće.

No NOAA nije jednostavno preuzela gotov model. Znanstvenici su GraphCast dodatno trenirali koristeći podatke iz vlastitog sustava za asimilaciju podataka GDAS te ERA5 reanalizu Europskog centra za srednjoročnu prognozu ECMWF. Taj postupak finog podešavanja poboljšao je performanse modela, osobito kada se inicijalizira operativnim podacima GFS-a. Rezultat je sustav prilagođen američkim operativnim potrebama, a ne samo akademska demonstracija mogućnosti.

Globalna utrka u AI meteorologiji

NOAA nije jedina organizacija koja ulazi u novo doba. Europski centar za srednjoročnu prognozu ECMWF — dugo smatran zlatnim standardom globalnog prognoziranja — u veljači 2025. pustio je u rad svoj AI sustav AIFS (Artificial Intelligence Forecasting System). ECMWF-ov model koristi tisuću puta manje energije od tradicionalnog sustava IFS, a pokazuje poboljšanja do dvadeset posto u praćenju tropskih ciklona.

Europljani su također razvili Anemoi — otvoreni softverski okvir za razvoj AI modela u meteorologiji, koji sada postaje temelj za suradnju među europskim nacionalnim službama. Njemačka meteorološka služba DWD, francuski Météo-France i norveški MET rade na vlastitim regionalnim AI modelima, a svi koriste zajedničku infrastrukturu i dijele znanje.

Prednosti i ograničenja novog pristupa

AI modeli nude nekoliko neprijepornih prednosti. Brzina izrade prognoze dramatično se skraćuje, omogućujući češće osvježavanje a time i bržu reakciju na razvoj opasnih situacija. Energetska učinkovitost je revolucionarna — u doba kada računalni centri troše sve više električne energije, smanjenje potrošnje za dva do tri reda veličine nije zanemarivo. Operativna otpornost raste jer se prognoze mogu proizvesti na skromnijoj hardverskoj infrastrukturi.

No postoje i ograničenja koja valja imati na umu. AI modeli uče iz prošlih podataka, što znači da mogu imati poteškoća s događajima koji nemaju povijesnih analogija — primjerice s ekstremima koji nadilaze sve dosad zabilježeno. Fizikalni modeli eksplicitno rješavaju zakone termodinamike i dinamike fluida; oni “razumiju” zašto se atmosfera ponaša kako se ponaša. AI modeli te zakone ne poznaju izravno — oni su naučili obrasce koji se podudaraju s tim zakonima, ali mogu pogriješiti na načine koje fizikalni modeli ne bi pogriješili.

Upravo zato NOAA-in hibridni pristup ima smisla. Umjesto ideje da se potpuno napusti fizikalne modele, agencija kombinira najbolje od oba svijeta. Fizikalni modeli pružaju temeljno razumijevanje i pouzdanost u rubnim slučajevima; AI modeli donose brzinu, učinkovitost i sposobnost prepoznavanja suptilnih obrazaca koje čovjek možda nikad ne bi eksplicitno kodirao.

Što donosi budućnost?

Ovo je tek početak. NOAA planira proširiti projekt EAGLE regionalnim modelima visoke razlučivosti, uključujući AI verziju popularnog HRRR sustava za kratkoročnu prognozu nad kontinentalnim Sjedinjenim Državama. Razvijaju se i AI komponente za predviđanje oceanskih i ledenih uvjeta, što će omogućiti potpunije modeliranje Zemljinog klimatskog sustava.

Možda je najuzbudljivija vizija ona koju su europski kolege nazvali “demokratizacijom prognoza”. AI modeli su toliko učinkoviti da bi ih u skoroj budućnosti bilo moguće pokretati na osobnim računalima. To bi moglo transformirati pristup meteorološkim informacijama, omogućujući istraživačima, malim tvrtkama i čak entuzijastima pristup sofisticiranim prognozama koje su dosad bile rezervirane za velike nacionalne službe.

No s tom moći dolazi i odgovornost. Florian Pappenberger, direktor prognoza u ECMWF-u, upozorava da nacionalne meteorološke službe moraju preuzeti vodstvo u osiguravanju da se ova revolucija strojnog učenja koristi za dobrobit i sigurnost društva. Pouzdanost informacija, transparentnost metoda i jasna komunikacija nesigurnosti postaju važniji nego ikad.

Za krajnje korisnike — od komercijalnih zrakoplova do poljoprivrednika, od gradskih službi za upravljanje krizama do vikend planinarenja — to znači točnije prognoze isporučene brže i jeftinije. Za meteorološku zajednicu, to je poziv na prilagodbu, učenje i suradnju. A za sve nas koji živimo na ovom planetu nestalnog vremena i promjenjive klime, to je razlog za umjereni optimizam: možda nećemo moći zaustaviti oluju, ali sve smo bliži tome da je predvidimo na vrijeme.

Ivan Toman