De ce IA nu poate prezice cu exactitate intensitatea uraganelor
Inteligența artificială a revoluționat prognoza meteo în câțiva ani, modelele globale reușind să rivalizeze cu sistemele tradiționale bazate pe fizică. Progresul se datorează datelor masive, modelelor avansate și puterii de calcul. La scară globală, IA a învățat din decenii de înregistrări care acoperă întreaga planetă, dar la scară regională prognoza devine mult mai dificilă, iar acest lucru contează pentru intensitatea uraganelor.
Mai multe uragane s-au intensificat rapid în ultimii ani. Uraganul Polo a trecut de la furtună tropicală, pe 21 septembrie 2026, la categoria 5 în 24 de ore, cu vânturi de 290 km/h. În 2018, uraganul Michael a crescut la categoria 5 chiar înainte de a lovi Florida, lăsând comunităților prea puțin timp pentru evacuare.
De ce IA are dificultăți cu detaliile
Prognoza intensității uraganelor este o problemă regională, care vizează evenimente extreme ce se dezvoltă rapid. Pentru a le capta, IA are nevoie de date mult mai detaliate decât oferă seturile globale. Antrenarea modelelor se bazează pe două surse. Prima o reprezintă observațiile directe — precipitații, temperaturi, vânt — colectate de stații, radare, balize și sateliți. Acestea sunt detaliate, dar limitate la zonele de coastă și inegal distribuite. Etapele importante ale dezvoltării uraganelor au loc pe oceanul deschis, unde observațiile directe sunt rare. Sateliții moderni acoperă parțial aceste lacune, dar nu pot scana simultan structura tridimensională completă a fiecărui uragan.
A doua sursă o constituie simulările modelelor meteorologice, care combină condițiile atmosferice cu cunoștințe fizice pentru a oferi o imagine tridimensională completă. Nici aceste date nu sunt perfecte, fiindcă toate modelele includ aproximări și incertitudini. Există întotdeauna procese la scară fină pe care simulările nu le pot capta. În prezent, nu există un set de date tridimensional complet pentru antrenarea IA în prognoza intensității uraganelor.
Provocarea haosului
Datele nu sunt singura problemă. Chiar dacă s-ar măsura fiecare parte a miilor de furtuni în fiecare secundă, IA tot nu ar putea prezice perfect intensitatea, din cauza haosului. Diferențele mici din starea inițială a unui uragan cresc rapid în timp. Cercetările recente sugerează că uraganele conțin un element de haos care împiedică modelele IA să prezică precis intensitatea pe termen lung.
Odată ajuns într-un mediu favorabil, un uragan se poate intensifica spre o putere maximă posibilă, numită intensitate potențială, determinată de mediul înconjurător. Apa caldă alimentează intensitatea, în timp ce forfecarea vântului o încetinește. Dacă temperatura oceanului crește, crește și intensitatea potențială. Perturbările mici provoacă fluctuații ale intensității, iar cu cât suprafața oceanului este mai caldă, cu atât fluctuațiile sunt mai mari. Studii recente sugerează că aceste fluctuații nu sunt pur aleatorii, ci apar într-un „atractor haotic” — un set de stări posibile în care uraganul poate evolua imprevizibil.
Deși existența acestui atractor nu a fost pe deplin stabilită, el ridică o dilemă fundamentală. Pe de o parte, oamenii de știință vor ca modelele IA să facă predicții cât mai exacte, minimizând diferența dintre prognoză și realitate. Pe de altă parte, vor ca modelul să capteze haosul intrinsec. Dacă reușește acest lucru, eroarea nu poate fi redusă la nesfârșit. Un model antrenat să minimizeze eroarea poate învăța evoluția cea mai probabilă a uraganului, netezind fluctuațiile imprevizibile. Cele două obiective se află în competiție. Deoarece datele conțin întotdeauna incertitudine, regulile învățate sunt doar aproximări, iar acuratețea prognozei scade după câteva zile.
Ce ar fi necesar pentru prognoze mai bune
Provocarea nu ține doar de mai multe date, rețele neuronale mai bune sau calculatoare mai rapide. Este vorba și despre înțelegerea comportamentului uraganelor și a modului în care apare haosul în intensitate. Ambele dictează dacă modelele IA pot învăța ce este previzibil și ce nu. Această distincție limitează acuratețea prognozelor actuale și determină generația următoare de sisteme de prognoză, care ar trebui să se concentreze pe o gamă de intensități posibile și probabilitățile lor, în loc de o singură valoare.
