Pusat Eropa untuk Prakiraan Cuaca Jarak Menengah (ECMWF) baru saja meluncurkan model prediksi yang didukung kecerdasan buatan, yang menurut pusat tersebut melampaui model berbasis fisika terkini hingga 20%. Model ini diberi nama Sistem Prediksi Kecerdasan Buatan (AIFS). Menurut rilis ECMWF, model baru ini beroperasi dengan kecepatan lebih cepat daripada model berbasis fisika dan membutuhkan sekitar 1.000 kali lebih sedikit energi untuk membuat prediksi. ECMWF, yang sekarang berusia 50 tahun, menghasilkan ENS, salah satu model prediksi cuaca jarak menengah terkemuka di dunia. Prediksi jarak menengah meliputi prediksi cuaca yang dibuat antara tiga hari dan 15 hari ke depan, tetapi ECMWF juga memprediksi cuaca hingga satu tahun ke depan. Model prediksi cuaca sangat penting bagi negara dan pemerintah setempat untuk tetap siap menghadapi peristiwa cuaca ekstrem—serta untuk kebutuhan sehari-hari lainnya, seperti mengetahui bagaimana cuaca akan selama liburan Anda mendatang. Model prediksi cuaca tradisional membuat prediksi dengan memecahkan persamaan fisika. Batasan dari model-model ini adalah bahwa mereka adalah perkiraan dinamika atmosfer. Aspek menarik dari model yang didukung kecerdasan buatan adalah bahwa mereka dapat mempelajari hubungan dan dinamika yang lebih kompleks dalam pola cuaca langsung dari data, daripada hanya mengandalkan persamaan yang sebelumnya diketahui dan didokumentasikan. Pengumuman ECMWF ini datang setelah model GenCast Google DeepMind untuk prediksi cuaca yang didukung kecerdasan buatan, iterasi berikutnya dari perangkat lunak prediksi cuaca Google yang mencakup NeuralGCM dan GraphCast. GenCast melampaui ENS, model prediksi cuaca unggulan ECMWF, pada 97,2% target berbagai variabel cuaca. Dengan lead time lebih dari 36 jam, GenCast lebih akurat daripada ENS pada 99,8% target. Tetapi Pusat Eropa juga berinovasi. Peluncuran AIFS-single hanyalah versi operasional pertama dari sistem ini. “Ini merupakan upaya besar yang memastikan model-model berjalan dengan cara yang stabil dan dapat diandalkan,” kata Florian Pappenberger, Direktur Prediksi dan Layanan di ECMWF, dalam rilis pusat. “Saat ini, resolusi AIFS kurang dari model kami (IFS), yang mencapai resolusi 9 km [5,6 mil] menggunakan pendekatan berbasis fisika.” “Kami melihat AIFS dan IFS sebagai saling melengkapi, dan bagian dari menyediakan berbagai produk kepada komunitas pengguna kami, yang memutuskan apa yang paling sesuai dengan kebutuhan mereka,” tambah Pappenberger. Tim akan mengeksplorasi penggabungan pemodelan berbasis data dan berbasis fisika untuk meningkatkan kemampuan organisasi dalam memprediksi cuaca dengan presisi. “Model-model berbasis fisika sangat penting untuk proses asimilasi data saat ini,” kata Matthew Chantry, Kepala Strategi untuk Pembelajaran Mesin di ECMWF dan Kepala Platform Inovasi, dalam sebuah email kepada Gizmodo. “Proses asimilasi data yang sama penting untuk menginisialisasi model-model pembelajaran mesin setiap hari, dan memungkinkan mereka untuk membuat prediksi.” “Salah satu batas depan berikutnya untuk prediksi cuaca dengan pembelajaran mesin adalah langkah asimilasi data ini, yang jika diselesaikan akan berarti bahwa seluruh rantai prediksi cuaca dapat didasarkan pada pembelajaran mesin,” tambah Chantry. Chantry adalah salah satu penulis studi yang menunggu tinjauan sejawat yang menggambarkan sistem prediksi terintegrasi, dari ujung ke ujung, yang tidak bergantung pada reanalisis berbasis fisika. “Disebut GraphDOP, sistem ini menggunakan kuantitas yang dapat diamati seperti suhu kecerahan dari orbit polar “untuk membentuk representasi laten yang koheren dari dinamika keadaan Sistem Bumi dan proses fisik,” tulis tim, “dan mampu menghasilkan prediksi yang efektif dari parameter cuaca yang relevan hingga lima hari ke depan.” Mengintegrasikan metode kecerdasan buatan dengan pemodelan prediksi cuaca berbasis fisika merupakan jalur yang menjanjikan untuk prediksi yang lebih tepat. Pengujian hingga saat ini menunjukkan bahwa prediksi berbasis kecerdasan buatan dapat melampaui model-model historis, tetapi sejauh ini model-model tersebut telah bergantung pada data reanalisis. Pengamatan di lapangan sangat penting untuk melatih model, dan masih belum jelas seberapa impresif kemampuan prediksi teknologi ini saat harus keluar jalur.
