Современные прогностические модели погоды в значительной мере зависят от технологий и методов, которые применяются для их разработки. С недавним усиливающимся интересом к искусственному интеллекту (ИИ) многие крупные технологические компании начали внедрять машинное обучение в процесс прогнозирования погоды. Это порождает важный вопрос: могут ли эти новые модели составить достойную конкуренцию традиционным физическим методам, которые уже многие годы используются для анализа и прогнозирования атмосферных условий? Эти вопросы важны не только для метеорологов, но и для широкой публики, которой не терпится узнать, как лучше планировать свои будни, учитывая прогнозы погоды, и какие усилия предпринимаются для увеличения их точности.

Сравнение новых ИИ-моделей с традиционными позволяет выявить как преимущества, так и недостатки каждого из подходов. Традиционные метеорологические модели работают на мощнейших суперкомпьютерах, осуществляя огромное количество вычислений на основе физической модели атмосферы. Это позволяет достигать точности в прогнозировании, однако процесс может занимать много времени. В отличие от этого, новые модели, основанные на машинном обучении, способны обрабатывать данные практически в реальном времени, используя исторические метеорологические данные для создания прогнозов. Например, такие модели как GraphCast от Google показали лучшие результаты в качествах, связанных с атмосферным давлением, по сравнению с традиционными методами. Однако они имеют свои ограничения – для более мелкого локального прогнозирования, например, для прогноза краткосрочных осадков, традиционные модели по-прежнему сохраняют свои преимущества.