Iza ikonice sunca, oblaka ili kiše u vremenskoj aplikaciji postoji cijeli jedan složen sustav. Sateliti, meteorološki radari, prizemne postaje, baloni, brodovi i plutače neprestano prikupljaju podatke o atmosferi i moru, a oni se kontroliraju, spajaju s fizikalnim modelima i pretvaraju u moguće scenarije razvoja vremena.

Umjetna inteligencija taj je proces posljednjih godina samo ubrzala te novi modeli u nekoliko minuta mogu obaviti izračune za koje su klasičnim numeričkim modelima potrebni sati rada na superračunalima. No brzina nije isto što i pouzdanost, pogotovo kada se prognoziraju lokalna i nagla nevremena.

Zato konačna prognoza, a osobito odluka o upozorenju na opasnu vremensku pojavu, i dalje počiva na kombinaciji mjerenja u stvarnom vremenu, klasičnih fizikalnih modela, AI sustava i stručne procjene meteorologa.

Više podataka, ali ne nužno i manje posla

Kvalitetna analiza trenutačnog stanja atmosfere temelj je svake vremenske prognoze, objašnjava u razgovoru za tportal Krunoslav Mikec, voditelj Službe za prognostički sustav i podršku korisnicima Državnog hidrometeorološkog zavoda (DHMZ). Kako bi procijenili što će se dogoditi u sljedećim satima i danima, računalni modeli i prognostičari najprije moraju što preciznije utvrditi kakvo je vrijeme bilo i što se u atmosferi događa u trenutku izrade prognoze.

'Tehnološki razvoj ubrzao je prikupljanje i obradu podataka te omogućio češće izračune i osvježavanje prognoza. Međutim stručna analiza koju provodi prognostičar nije nužno kraća nego prije. Danas je dostupan veći broj podataka, modela i specijaliziranih produkata koje treba usporediti, analizirati i pravilno interpretirati', kaže Mikec.

Računala, dakle, rade brže, ali meteorolozi moraju pregledati puno više informacija te je njihova procjena ključna za izradu kvalitetne prognoze i pravodobno upozoravanje na opasne pojave.

Koliko izvora podataka može sudjelovati u izradi jednog prognostičkog proizvoda, pokazuje primjer meteorološke platforme Neverin. Njezin osnivač Alen Šterpin navodi da objedinjuju prognostičke modele, radarske snimke i mjerenja u stvarnom vremenu, a najviše se oslanjaju na europski ECMWF IFS i njemački ICON, ali u konačni izračun ulazi desetak prognostičkih izvora.

Radarske snimke prikupljaju od europskih meteoroloških službi, od hrvatskog DHMZ-a, slovenskog ARSO-a i mađarskog HungaroMeta do sustava u Skandinaviji i Irskoj. 'To je više od stotinjak pojedinačnih radarskih snimaka koje na snažnim računalima obrađujemo svakih pet minuta te od njih radimo kompozitnu sliku cijele Europe i predikciju kretanja oborina', kaže Šterpin.

Radar i meteorološke postaje pokazuju što se u tom trenutku stvarno događa dok modeli izračunavaju budući razvoj vremena, a kako svaki model ima drukčiju rezoluciju, podatke i način izračuna, različiti scenariji nisu iznimka, već svakodnevica.

Neverin zato ne bira jedan model kao konačnog 'pobjednika' te koristi ono što Šterpin naziva 'pametnim prosjekom'. Svaki model i pojedini parametar dobivaju određenu težinu ovisno o njihovoj rezoluciji, starosti izračuna i dosadašnjoj uspješnosti. Kratkoročna prognoza zatim se korigira prema najnovijim radarskim podacima. 'Mjerenjima dajemo prednost za ono što se događa sada, a modelima za dane unaprijed', sažima Šterpin.

Kako AI uči prognozirati atmosferu

Treniranje vremenskog AI modela temelji se na golemim arhivama podataka i činjenici da je za prošle vremenske situacije već poznato što se poslije dogodilo.

Ivan Ivanković, IT stručnjak koji se tom temom bavi iz perspektive razvoja umjetne inteligencije i tehnološke infrastrukture, objašnjava da je u posljednjih osamdesetak godina prikupljena gotovo nezamisliva količina meteoroloških podataka.

Planet je u modelima podijeljen na mrežu, a za različite točke i visine bilježe se ili rekonstruiraju temperatura, tlak, vlaga, vjetar i brojni drugi parametri. Budući da mjerni sustavi ne mogu obuhvatiti doslovno svaku točku atmosfere, njihovi se podaci spajaju s fizikalnim modelima da bi se dobila najbolja moguća slika njezina stanja.

'Upravo je predviđanje onoga što slijedi posao koji je u srži današnjih AI modela. Jezični model predviđa sljedeću riječ, model za robota posljedicu sljedećeg pokreta, a vremenski model sljedeće stanje atmosfere’, objašnjava Ivanković.

Tijekom treniranja modelu se, primjerice, pokaže stanje atmosfere iz 1995. godine, ali mu se sakrije što se dogodilo u sljedećih šest sati. Njegova se prognoza zatim uspoređuje sa stvarnim razvojem vremena, sustav dobiva povratnu informaciju o pogreškama, a postupak se ponavlja na milijunima primjera. 'To je svojevrsni sveti gral treniranja AI-a: golem skup složenih problema i za svaki od njih odgovor koji model tijekom rješavanja ne vidi', kaže Ivanković.

DHMZ zasad razvija metode strojnog učenja ponajprije kao nadopunu klasičnim numeričkim modelima, objašnjava dr. sc. Iris Odak, načelnica Sektora za meteorološka istraživanja i razvoj. One se koriste za lokalnu prilagodbu i naknadnu obradu prognoza fizikalnih modela te za procjenjivanje nesigurnosti, primjerice vjerojatnosti oborine. 'AI/ML ne zamjenjuje fiziku ni meteorologa, već pomaže bolje iskoristiti postojeće modele, mjerenja i lokalno znanje', ističe Odak.

To posebno vrijedi za opasne vremenske pojave jer nijedan automatizirani izvor nije dovoljno pouzdan da bi mu se moglo vjerovati bez dodatne provjere. Model može dati signal, scenarij ili vjerojatnost događaja, ali i dalje ima ograničenja u prikazivanju lokalnih ekstrema i procjenjivanju njihovih posljedica.

'Čak i kada bi takvi sustavi u budućnosti dosegnuli potrebnu razinu pouzdanosti, i dalje bi ostalo važno pitanje stručnog nadzora i odgovornosti za izdano upozorenje', kaže Odak.

Prognoza za manje od minute

Najveća neposredna prednost AI modela nije nužno veća preciznost nego brzina. Klasični numerički model pri svakoj novoj prognozi ponovno izračunava razvoj atmosfere prema fizikalnim jednadžbama, a AI model je velik dio tog posla obavio tijekom treniranja, učeći odnose između različitih stanja atmosfere.

'Jednom kada nauči odnose u atmosferi, može proizvesti novu desetodnevnu globalnu prognozu za manje od minute na jednom snažnom AI čipu. Klasičnom sustavu usporediv izračun može uzeti sate rada superračunala', navodi Ivanković.

Brži izračun omogućuje da se prognoza pokrene više puta uz male promjene početnih uvjeta pa tako nastaje velik broj mogućih scenarija koji pokazuju ne samo najvjerojatniji razvoj vremena, već i koliko je situacija nesigurna. Računalni trošak pritom nije nestao. Preselio se u treniranje modela, obradu goleme količine mjerenja i pokretanje sve većeg broja detaljnih scenarija.

'Kad jedna prognoza postane tisuću puta jeftinija, nećemo nužno potrošiti tisuću puta manje računala; vjerojatnije je da ćemo ih izračunati tisuću', smatra Ivanković. Šterpin također ističe da brzina AI modela omogućuje češće osvježavanje prognoza u nestabilnim situacijama te brže povezivanje različitih modela s radarskim, satelitskim i prizemnim mjerenjima.

Također je javno dostupno sve više modela visoke rezolucije i sustava za kratkoročnu prognozu koji se osvježavaju svaka tri sata ili čak svaki sat. Prije nekoliko godina uobičajen je bio razmak od šest sati, što je bilo presporo za praćenje naglih promjena.

Zašto modeli još ne znaju u kojoj će ulici pasti tuča

Unatoč napretku, osnovno pravilo vremenske prognoze nije se promijenilo: što je pojava veća, sporija i dugotrajnija, lakše ju je predvidjeti, a što je manja, kraća i lokalnija, to je teže učiniti. Toplinski valovi povezani su pak s atmosferskim procesima velikih razmjera, zahvaćaju široka područja i traju više dana. Zato se njihov dolazak često može uočiti i do tjedan dana unaprijed. Lokalni pljuskovi, tuča i snažni udari vjetra mogu se, međutim, razviti vrlo brzo i pogoditi područje široko samo nekoliko kilometara.

Mikec navodi da su općenito najpouzdanije prognoze od nekoliko sati do dan ili dva unaprijed, no nije dovoljno samo procijeniti hoće li se opasna pojava dogoditi te je potrebno odrediti kada će nastati, koje će područje zahvatiti i koliko će biti snažna.

'Model može dobro prepoznati mogućnost takvog događaja te naznačiti područje i vrijeme njegove pojave, ali zbog lokalnog karaktera nevremena mogući su pomaci u mjestu i vremenu nastanka, kao i razlike u procijenjenoj snazi', objašnjava.

Ivanković najveći neriješeni problem vremenske prognoze vidi u tom 'zadnjem kilometru'. Globalni model promatra Hrvatsku kroz mrežu relativno velikih polja te se u njemu mogu nalaziti otok, uvala, planina, obala i zaleđe s vrlo različitim lokalnim uvjetima. Bez dovoljno kvalitetnih mjerenja u blizini model kreće s nepotpunijom slikom, tumači Ivanković.

Šterpin objašnjava taj problem i rezolucijom modela. Mnogi od njih, kaže, računaju atmosferu na mreži čije su točke udaljene od približno četiri do deset kilometara, a olujna ćelija ili područje tuče mogu biti široki samo dva do četiri kilometra.

Pojava tako može 'pobjeći između točaka mreže'. Poteškoće u Hrvatskoj čine i planine, razvedena obala i topla morska površina jer stvaraju lokalne učinke koje modeli ne prikazuju uvijek dovoljno precizno. 'Modeli takve signale najčešće rasprše na šire područje i upravo zato se službena vremenska upozorenja obično odnose na cijele županije ili regije jer je nemoguće precizno odrediti putanju pojedinog oblaka', kaže Šterpin.

Glavni odgovor na taj problem je razvoj nowcastinga, kratkoročne prognoze za sljedećih nekoliko sati. Takvi se sustavi često osvježavaju i odmah uključuju promjene zabilježene radarom i satelitima, a u vrlo nestabilnim uvjetima snažan olujni oblak može se razviti u samo pola sata. Prognoza koja uključuje radarsku sliku staru nekoliko minuta zato može biti korisnija od one izrađene nekoliko sati ranije.

Precizna temperatura, promašen pljusak

Kvaliteta vremenske prognoze ne može se opisati postotkom. Prognoze se uspoređuju s izmjerenim vrijednostima, a temperatura, oborina, vjetar i drugi parametri ocjenjuju se zasebno. Model tako može vrlo dobro prognozirati temperaturu i položaj velikog vremenskog sustava, a opet promašiti točnu lokaciju najvećeg pljuska.

'Takve se pojave razvijaju naglo, kratko traju i često zahvaćaju vrlo malo područje. Zato i mala razlika u stanju atmosfere može dovesti do drukčijeg razvoja događaja', kaže Mikec. Ako je pljusak nastao nekoliko desetaka kilometara dalje ili sat vremena poslije od predviđenog, prognoza nije precizno pogodila mjesto i vrijeme, ali je možda ispravno prepoznala šire područje i vrstu opasnosti.

Sličan problem javlja se prilikom upozorenja. Kada su prečesta za pojave koje se ne ostvare, mogu smanjiti povjerenje javnosti, a propušteno snažno nevrijeme može imati ozbiljne posljedice. Zato se osim vjerojatnosti događaja procjenjuju mogući učinci i razina rizika.

Pogrešan osjećaj preciznosti često stvaraju same vremenske aplikacije. Uredno prikazana prognoza za određeni sat ili dan može djelovati vrlo pouzdano, iako je stvarni razvoj vremena još daleko od izvjesnog.

'Četrdeset posto ne znači da će kiša padati 40 posto dana. To je procijenjena vjerojatnost da će na toj lokaciji u navedenom razdoblju pasti kiša. Lijepo nacrtana ikona za deset dana također nije jednako pouzdana kao prognoza za sutra', upozorava Ivanković.

Što se događa kada AI naiđe na nezabilježen ekstrem

Klimatske promjene su dodatni izazov modelima koji uče iz povijesnih podataka. Odak objašnjava da su ekstremne vremenske pojave najteže za prognoziranje jer su rijetke, lokalno uvjetovane i ovise o kombinaciji više nepovoljnih čimbenika.

Klasični numerički modeli ostaju temelj operativne prognoze jer se oslanjaju na fiziku atmosfere i redovito uključuju nova mjerenja dok su AI modeli brži i fleksibilniji, ali mogu imati problema s događajem ili kombinacijom okolnosti kakva se rijetko pojavljivala u podacima na kojima su trenirani.

'Budući da uče iz prošlih podataka, mogu imati problema s rijetkim ekstremima ili novim kombinacijama uvjeta. Zato ih treba koristiti uz fizikalne modele, ansamble i stručnu meteorološku interpretaciju', kaže Odak.

Šterpin navodi da se AI modeli dobro nose s ekstremima koji se nalaze unutar povijesnog iskustva, a u nekim su situacijama i bolji od klasičnih modela. No kod dosad nezabilježenih rekorda problem je veći jer su skloni podcijeniti njihov intenzitet.

Budućnost meteorologije zato vjerojatno neće pripasti ni isključivo umjetnoj inteligenciji ni isključivo klasičnim modelima. Fizikalna pravila mogu se ugrađivati u AI sustave, klasični model može provjeravati njihov rezultat, a AI ubrzavati pojedine dijelove izračuna.

'Ne mislim da će budućnost pripasti isključivo AI-u ili isključivo klasičnoj fizici. Pripast će modelima svijeta koji će moći učiti iz podataka, poštovati fizikalna pravila i velikom brzinom isprobavati moguće budućnosti', smatra Ivanković.

Požar se ne može prognozirati, ali opasni uvjeti mogu

Meteorološki modeli ne mogu predvidjeti kada će i gdje netko izazvati požar, ali mogu prepoznati uvjete koji pogoduju njegovu nastanku i brzom širenju, a riječ je o kombinaciji visoke temperature, niske vlage, suše, izostanka oborine i snažnog vjetra. Modeli mogu procjenjivati i stabilnost atmosfere te strujanja koja utječu na smjer vatre i dima.

Ipak, meteorološki podaci sami nisu dovoljni. 'Za stvarnu procjenu rizika te podatke treba povezati i s vegetacijom, gorivom masom, reljefom i informacijama s terena', objašnjava Odak. Šterpin navodi da se uvjeti povećane požarne opasnosti mogu prepoznati danima unaprijed, što službama ostavlja vrijeme za pripremu.

Kod poplava je situacija složenija. Bujične poplave izrazito su lokalne i mogu nastati vrlo brzo nakon intenzivnog pljuska, a poplave velikih rijeka razvijaju se sporije, ali zahtijevaju praćenje cijelog porječja, uključujući oborine koje su pale stotinama kilometara daleko.

Brži AI modeli tu mogu biti korisni jer omogućuju stvaranje velikog broja mogućih scenarija, no pritom nije dovoljno promatrati samo najvjerojatniji ishod. 'Ne zanima nas samo koji je ishod najvjerojatniji, već postoji li scenarij od pet posto zbog kojeg treba zatvoriti školu, zaustaviti trajekt ili evakuirati naselje', kaže Ivanković.

Europa mora odlučiti želi li graditi ili samo kupovati

Razvoj vremenskih AI modela ne ovisi samo o algoritmima jer su potrebni kvalitetni podaci, napredni čipovi, podatkovni centri, pouzdana opskrba energijom i stručnjaci koji znaju razvijati takve sustave. Dio te infrastrukture i znanja koncentriran je u nekoliko velikih tehnoloških kompanija, stoga Ivanković smatra da Europa ne bi trebala promatrati vremenske i druge modele kao još jednu aplikaciju, već kao stratešku infrastrukturu.

'Trebaju nam zajednički podatkovni centri, tisuće naprednih čipova, pouzdana energija, vlastiti modeli i ljudi koji ih znaju razvijati. Takve investicije možemo opravdati samo na europskoj razini. Ako ih prepustimo drugima, možda ćemo imati pristup dobroj prognozi, ali ne i tehnologiji, cijeni ni uvjetima pod kojima nastaje', tumači Ivanković.

On drži da prognoza ima veliku gospodarsku vrijednost za energetiku, poljoprivredu, osiguravatelje, zračni i pomorski promet, trgovačke lance, vojsku i civilnu zaštitu. Već i malo povećanje preciznosti može promijeniti odluke vrijedne milijune eura, kaže naš sugovornik.

Privatne kompanije zato će, kaže, nastaviti ulagati u sve detaljnije prognoze prilagođene pojedinim industrijama i lokacijama, a javni sektor pritom mora zadržati ključnu ulogu u osiguravanju mjerenja, otvorenih temeljnih podataka i upozorenja dostupnih svima.

Upozorenje ne vrijedi mnogo ako ga ljudi ne razumiju

DHMZ posljednjih godina modernizira cijeli lanac, od motrenja do slanja upozorenja. Projektom METMONIC modernizirana je mreža meteoroloških postaja, radarima je prvi put pokrivena cijela Hrvatska, a na Jadranu su postavljene meteorološko-oceanografske plutače. Time se dobiva potpunija slika stanja atmosfere i mora.

Razvijaju se i modeli veće rezolucije koji bi trebali detaljnije prikazivati vremenske prilike na manjim područjima i ranije prepoznavati mogućnost jakih grmljavinskih nevremena, obilne kiše, olujnog vjetra i bujičnih poplava.

Od 2024. godine DHMZ izdaje upozorenja na opasne hidrometeorološke pojave do 72 sata unaprijed. Ove jeseni za kopneni dio Hrvatske trebala bi se povećati i njihova prostorna preciznost prelaskom sa sadašnjih osam regija na upozorenja po županijama, no ni najpreciznija prognoza nema velik učinak ako građani ne razumiju što upozorenje znači i ne prepoznaju da se odnosi upravo na njih.

'Upozorenje je učinkovito tek kada spoji nekoliko stvari: da stigne na vrijeme, da građanima i službama jasno kaže gdje i kada prijeti opasnost, što to znači za promet, rad na otvorenom ili boravak uz obalu i kako postupiti, ali i da ga ljudi prepoznaju kao nešto što se osobno tiče upravo njih', poručuju iz DHMZ-a.

Atmosfera je složen sustav, a nesigurnost nije pogreška koju će jedan novi čip ili algoritam potpuno ukloniti. Bolja mjerenja, napredniji modeli i veća računalna snaga mogu je smanjivati, ali ne mogu izbrisati fizikalna ograničenja predvidljivosti.

Kada meteorolog upozori na šire područje ili vremensko razdoblje, umjesto na određenu ulicu i minutu, to ne mora značiti da je prognoza loša. Često je riječ o najpreciznijem odgovoru koji trenutačno dopuštaju atmosfera, dostupna mjerenja i modeli. Umjetna inteligencija zato meteorologu zasad ne oduzima posao, već mu daje više podataka, više scenarija i više vremena za odluku.