Fra ETH Zürich kommer en grunnleggende modell som er i stand til å integrere atmosfæren, jorda og vannkretsløpet selv med ufullstendige data.

Når en tropisk storm forvandles til en supertyfon i løpet av få dager, er ikke utfordringen bare å forutsi dens bane. Det handler om å forstå hvordan vind, nedbør, jordfuktighet, topografi, temperatur og atmosfærisk sirkulasjon påvirker hverandre. I juli 2023 demonstrerte tyfonen Doksuri denne kompleksiteten spesielt hardt, og traff Filippinene og Kina med voldsom vind, kraftig regn og omfattende skader på kystområder. Forskere ved ETH Domain brukte dette spesifikke tilfellet til å teste en ny værmodell. Kunstig intelligens anvendt på jordsystemet.

Modellen kalles Jordsystemets fundamentmodellen ESFM, og ble utviklet innenfor Sveitsisk AI-initiativ, med bidrag fra ETH Zurich, EPFL, Sveitsisk datavitenskapssenter og andre vitenskapelige partnere. Innovasjonen ligger ikke i å erstatte tradisjonelle meteorologiske modeller, men i å bygge en infrastruktur som er i stand til å tolke heterogene og ufullstendige data: satellittbilder, målinger fra bakkestasjoner, atmosfæriske serier, hydrologiske data og observasjoner spredt over rom og tid.

Problemstillingen er både industrielt og vitenskapelig. Landbruk, forsikring, infrastrukturforvaltning, sivilforsvar, energi og byplanlegging er i økende grad avhengige av pålitelige prognoser og rekonstruksjoner. Men reelle miljødata kommer sjelden i en ordnet form. Overvåkingsnettverk er ikke jevnt fordelt, sensorer kan svikte, skyer skjuler satellitter, og avsidesliggende områder forblir dårlig observert. ESFM ble opprettet for å fungere nettopp innenfor denne diskontinuiteten.

En modell som forbinder atmosfære, land og vann

Hovedpoenget er integrasjon. Mange AI-systemer for vær har primært fokusert på atmosfæren, og behandlet resten som kontekst eller sekundære variabler. ESFM, derimot, forsøker å representere Jordsystemet som en sammenkoblet helhet, der atmosfæriske, hydrologiske og terrestriske prosesser ikke er kunstig atskilt. Denne tilnærmingen er relevant fordi ekstreme hendelser som flom, tørke og tropiske sykloner ikke avhenger av én enkelt variabel, men av tilbakekoblingskjeder.

Fanny Lehmann, matematikk, postdoktor vedETH AI-senter og et medlem av gruppen som utviklet modellen, forklarte det metodologiske spranget slik:

Tidligere AI-værmodeller har ofte fokusert primært på atmosfæren. Vår modell kobler imidlertid bevisst atmosfæriske meteorologiske data med hydrologiske og terrestriske data. Basert på dette identifiserer AI-en viktige mønstre, trender og sammenhenger innenfor jordens værsystem og bruker dem til å generere prognoser, selv når viktige data mangler. Den sanne styrken til modellen vår ligger i dens evne til å lære de avgjørende værinteraksjonene fra ulike datakilder.

Teknisk sett tvinger ikke ESFM all informasjon inn i et enkelt, forhåndsnormalisert rutenett. Modellen behandler ulike typer data separat, knytter dem til romlige og tidsmessige koordinater, og kombinerer dem deretter til et felles rammeverk. Dette gjør det mulig å bevare de spesifikke egenskapene til hver kilde, fra satellittrasterkart til punktmålinger av temperatur, trykk, vind eller vannstand.

Det er et viktig steg i bruken avStore data innen miljøvitenskap. Et bredt spekter av observasjoner er ikke nok hvis dataene ikke er sammenlignbare. ESFMs innovasjon ligger i evnen til å bruke forskjellige formater og tettheter uten å redusere alt til en rigid representasjon, og dermed miste informasjon underveis.

Doksuri-testen og problemet med ufullstendige observasjoner

Supertyfonen Doksuri-testen er viktig fordi hendelsen ikke ble inkludert i treningsdataene. Til tross for dette, ifølge ETH Zürich, forutså ESFM vindintensitet med bemerkelsesverdig nøyaktighet over flere dager og rekonstruerte realistisk stormens plassering, bevegelse og romlige utvidelse. Dette utgjør ikke en operativ sertifisering for bruk som et varslingssystem, men det indikerer en nyttig generaliseringsevne for forskning på ekstreme hendelser.

Det mest særegne trekket ved modellen er imidlertid fortsatt håndteringen av informasjonshull. Ifølge kilden er ESFM etter trening i stand til å generere prognoser selv fra satellittobservasjoner der bare omtrent 100 % av dataene er tilgjengelige. 3 prosent av piksleneDette er spesielt relevant for applikasjoner i områder med svak observasjonsdekning eller i situasjoner der innsamling hindres av værforhold, tekniske begrensninger eller mangel på infrastruktur.

Firat Özdemir, hovedutvikler av ESFM-teamet og senior dataforsker hos lo Sveitsisk datavitenskapssenter, oppsummerte problemet slik:

Tidligere AI-modeller for værvarsling, i motsetning til ESFM, ble ofte trent på én datatype eller noen få lignende formaterte datasett. Ytelsen deres synker ofte når man arbeider med svært heterogene eller ufullstendige data. ESFM løser denne utfordringen ved å integrere data fra flere kilder og fylle informasjonshull mye mer effektivt.

Denne muligheten har konkrete implikasjoner. I et tørkerammet område kan for eksempel kombinasjonen av nedbør, jordfuktighet, geologiske trekk, temperatur og vannstand bidra til å tolke utviklingen av risiko. ESFM rekonstruerer manglende data ved å koble hull til tilgjengelig informasjon fra nærliggende områder, korrelerte variabler og tidligere observasjoner. Logikken er ikke enkel interpolasjon, men snarere læring av tilbakevendende fysiske sammenhenger.

Fra spesialiserte modeller til en gjenbrukbar base

Ordet grunnmodell Den bør leses nøye. I kunstig intelligens-språk indikerer det en modell som er trent på bred basis, som kan gjenbrukes og tilpasses til senere oppgaver via finjusteringNår det gjelder geofag, betyr dette å gå fra vertikale verktøy, bygget for en enkelt variabel eller et brukstilfelle, til en mer generell plattform for å integrere data og prognoser.

Sebastian Schemm, atmosfærisk forsker og professor vedUniversity of Cambridge, som allerede er aktiv ved ETH Zürich, har spesifisert modellens omfang:

ESFM er verken en klassisk klimamodell eller en spesialisert værvarslings- eller stormvarslingsmodell; snarere tilhører den en egen kategori av modeller som kan tjene som et fleksibelt grunnlag for et bredt spekter av oppgaver innen klima- og værforskning. Fordelen ligger i en slags lært systemisk forståelse, som gjør at den kan produsere troverdige prognoser i mange tilfeller, selv når dataene er ufullstendige eller fragmenterte.

Det tekniske arbeidet knyttet til prosjektet, presentert påEGUs generalforsamling 2026 i Wien, beskriver ESFM som et rammeverk for å integrere heterogene data og prognoser. Modellen bygger på ryggraden 3D Swin UNet Den brukes allerede av Aurora, og introduserer utvidelser for manglende data, sparsomme målinger, punktobservasjoner og satellittbilder. Blant elementene som er fremhevet i forhåndsvisningen er aksial oppmerksomhet for å fange opp avhengigheter mellom variabler og individuelle variabeltokeniseringsordninger.

For sektoren er skiftet betydelig fordi det flytter klima-AI fra en hovedsakelig eksperimentell setting til en mer modulær arkitektur. En grunnleggende modell kan tilpasses hydrologi, landbruk, biologisk mangfold eller miljøovervåking uten å måtte starte på nytt hver gang. Mathieu Salzmann, seniorforsker vedEPFL og assisterende sjefsdataforsker ved Swiss Data Science Center, har angitt nettopp denne retningen: å utnytte modellens representasjonskapasitet innen domener som landbruk, biologisk mangfold og hydrologi.

Åpen tilgang og implikasjoner for datafattige regioner

En annen industrielt viktig faktor er tilgjengelighet. ETH Zürich oppgir at ESFM er tilgjengelig på Klemme ansiktet og i et arkiv GitHubDet offentlige arkivet inneholder opplærings- og evalueringskode for eksperimenter med prognoser for atmosfæriske forhold og jordsystemer. I et felt dominert av dyre beregningsressurser, fjerner ikke modellens åpenhet barrierer, men den lar forskningsgrupper og offentlige organisasjoner inspisere, tilpasse og teste rammeverket.

Prosjektet er også støttet avInternasjonalt nettverk for databehandling og kunstig intelligens, et initiativ knyttet til ETH Zürich som fremmer internasjonalt samarbeid om KI. Et erklært mål er å gjøre modeller av denne typen brukbare også i Globalt sør, hvor mangelen på lokale data representerer en strukturell begrensning for miljøprognoser. I slike sammenhenger kan muligheten til å forbedre ESFM med regionale observasjoner være en velsignelse for landbruk, vannforvaltning og risikoforebygging.

Torsten Höfler, professor i informatikk ved ETH Zurich og sjefsarkitekt for AI hos Det sveitsiske nasjonale superdatasenteret fra Lugano, koblet ESFM-tilfellet til den mer generelle naturen til stiftelsemodeller:

«Ved å trene på svært forskjellige typer data, tilegner modeller som ESFM seg en form for grunnleggende kunnskap og kan derfor fleksibelt løse et bredt spekter av oppgaver. Innen AI-forskning kalles de grunnmodeller.»

Fremsyn bør ikke forveksles med løftet om perfekt prediksjon. Ekstreme hendelser forblir komplekse dynamiske systemer, og all utdata generert av en modell krever validering, sammenligning med uavhengige observasjoner og integrering i eksisterende protokoller. Retningen er imidlertid klar:Kunstig intelligens Det går inn i meteorologi og miljøvitenskap ikke bare som et prediktivt verktøy, men som en teknologi for å rekonstruere og integrere kunnskap.

For SveitsProsjektet bekrefter rollen til distribuerte forskningsøkosystemer på tvers av universiteter, datasentre og superdatainfrastrukturer. For markedet signaliserer det et potensielt skifte: fra spesialiserte modeller for én enkelt prognose til gjenbrukbare baser for å forstå klima-, hydrologiske og arealbruksfenomener med ofte ufullkomne data. Utfordringen vil være å transformere denne evnen til pålitelige, verifiserbare og nyttige verktøy for offentlige og industrielle beslutninger.

Fra 1880 til 2025, temperaturen på planeten Jorden, målt av Big Data

Overvåking av karbondioksidutslipp fra verdensrommet

Her er tre innsikter som kan interessere deg:

Hvordan klimaendringer påvirker sikkerheten på arbeidsplassen
Kondensstriper, svovel og aerosoler: dette er det nye klimapuslespillet innen flyging.
Monte Cimone, den globale klimavakten på toppen av Appenninene