Глибоке навчання розкриває приховані деталі в атмосфері Землі
Протягом більш ніж століття прогнози погоди зростали від рівнянь, записаних на мелові дошки, до потужних комп’ютерних симуляцій сучасності. Проте навіть найсучасніші моделі стикаються з однією ключовою прогалиною: неможливо точно уловлювати явища малих масштабів, такі як сильні зливи, конвекція чи фронти бурь. Такі швидкозмінні події вимагають високої роздільної здатності та надійних даних вологості, однак існуюча глобальна GNSS-томографія часто видає згладжені зображення, які розмивають суттєві деталі. Методи зниження масштабу можуть підвищити роздільність, але без надійних даних про вологость результати лишаються ненадійними. Виходячи з цих проблем, науковці визначили гостру потребу в методі, що одночасно вдосконалює дані GNSS і зберігає їхню точність, відкриваючи шлях до прогнозів, здатних передбачати найнебезпечніші повороті погоди.
Команда з Вроцлавського університету екології та наук про життя та її колаборатори взялася за це завдання. У їхній роботі, опублікованій у журналі Satellite Navigation у серпні 2025 року (DOI: 10.1186/s43020-025-00177-6), вперше представлено рамку глибокого навчання, здатну виробляти високороздільну GNSS-томографію. Навчаючи Super-Resolution Generative Adversarial Network (SRGAN) на вихідних даних метеорологічних моделей, дослідники досягли безпрецедентної чіткості атмосферних карт. Тестування в Польщі та Каліфорнії показало, що система не лише покращує поля вологості, отримані за GNSS, але й застосовує explainable AI, щоб зробити свої міркування прозорими.
Серцевина роботи полягає в поєднанні GNSS-томографії з моделлю Weather Research and Forecasting (WRF); SRGAN виступає як «перекладач» між зображеннями з низькою та високою роздільною здатністю. У практичних випробуваннях метод продемонстрував вражаючі результати: у Польщі рівень помилок зменшився до 62%, у Каліфорнії — до 52%, навіть за дощових умов, коли вологості найважче відображати. У порівнянні з широко використаним методом інтерполяції Lanczos3 SRGAN послідовно створював різкіші структури та дрібніші градієнти, краще відповідали довідковим метеоданим та вимірюванням радіозондів.
Особливий інтерес представляють інструменти Explainable AI — Grad-CAM та SHAP — які висвітлюють регіони, на які модель звертає увагу. Візуалізації показують фокус штучного інтелекту на районах, чутливих до штормів, таких як західні прикордонні зони Польщі та прибережні гірські хребти Каліфорнії. Демонстрація точності та прозорості доводить, що SRGAN може перетворити GNSS-томографію з розмитого кадру на точні атмосферні карти, відкриваючи шлях до штучного інтелекту у метеорології.
«Високороздільні дані атмосфери — це відсутній ланцюг у прогнозуванні такого типу погоди, що порушує життя людей, — сказав провідний автор Saeid Haji-Aghajany. — Наш підхід не лише загострює GNSS-томографію, але й демонструє, як модель приймає рішення. Така прозорість є критичною для формування довіри при впровадженні ІІ у прогноз погоди. Розкриваючи приховані деталі штормів і патернів вологості, ми вважаємо, що цей метод надасть прогнозистам інструменти для більш впевненого передбачення екстремальних подій.»
Цей прорив має значні наслідки не лише для академічних досліджень. Зі зміцненням різкості GNSS-томографії метеорологи зможуть подавати більш точні поля вологості у як фізично‑обґрунтовані, так і у штучно‑інтелектуальні моделі прогнозування, що суттєво підвищує якість прогнозів штормів та систем раннього попередження. Спільно з Explainable AI це забезпечить надійну валідацію логіки роботи системи, роблячи її надійним інструментом у прогнозних ланцюгах. У майбутньому запропонований підхід може бути інтегрований у глобальні мережі погоди, підвищуючи стійкість перед викликами клімату швидко мінливого світу.