Model cuaca sebagai model iklim: eksperimen yang berhasil
Model cuaca AI sudah dengan percaya diri memprediksi atmosfer untuk beberapa hari ke depan. Tetapi iklim adalah statistik cuaca selama beberapa dekade, sehingga memindahkan algoritme cuaca ke ranah iklim lama dianggap berisiko. Jika model dilatih hanya pada periode pendek, apa yang akan terjadi setelah satu, sepuluh, atau tiga puluh tahun simulasi? Apakah model akan mulai "berhanyut" ke kondisi yang tidak realistis? Para penulis pracetak terbaru di arXiv memutuskan untuk menguji hal ini secara langsung, dengan menggunakan dua model AI sebagai subjek uji — ArchesWeather dan "saudara perempuan" probabilistiknya, ArchesWeatherGen.
Kedua model dikembangkan untuk prakiraan sepuluh hari, dan keduanya harus diadaptasi secara serius untuk skala waktu yang sangat berbeda. Tentang apa hasilnya — simak di bawah.
Dua pendekatan untuk prakiraan
Menariknya, kedua model memiliki arsitektur yang berbeda. ArchesWeather adalah sistem deterministik: untuk setiap masukan, hanya ada satu keluaran. Pendekatan ini cepat, tetapi tidak memberikan gambaran tentang rentang kemungkinan keadaan atmosfer. ArchesWeatherGen adalah model probabilistik berdasarkan flow-matching: model ini menghasilkan distribusi kemungkinan skenario cuaca, bukan satu jawaban tunggal. Model ini menggunakan prakiraan ArchesWeather sebagai dasar untuk generasinya, yang memungkinkan pembentukan ensemble. Ensemble, pada gilirannya, memberikan estimasi ketidakpastian — yang penting baik dalam cuaca maupun iklim.
Bagaimana model diadaptasi untuk tugas iklim
Naif jika berharap model cuaca dengan sendirinya menjadi model iklim. Untuk iklim, lautan sangat penting: lautan menyimpan panas dan mengendalikan proses-proses lambat. Oleh karena itu, para peneliti membekali kedua model — ArchesWeather dan ArchesWeatherGen — dengan saluran masukan tambahan berisi kondisi batas. Sekarang model menerima suhu permukaan laut (SST) rata-rata bulanan dan konsentrasi es laut (SIC), dan secara teratur "menyesuaikan" dinamika atmosfer dengannya.
Simulasi dijalankan mengikuti protokol standar fase pertama AIMIP — analog dari proyek AMIP yang terkenal, tetapi untuk model pembelajaran mesin. Regulasi semacam itu memungkinkan perbandingan berbagai model AI satu sama lain dan dengan model iklim klasik. Para penulis juga melakukan eksperimen ablasi: mematikan elemen adaptasi individual untuk memahami apa yang sebenarnya memberikan stabilitas. Selain itu, konfigurasi terpaksa (forced), di mana lautan ditentukan dari luar, dibandingkan dengan konfigurasi bebas (unforced), di mana model bekerja tanpa penambat eksternal.
Apa yang ditunjukkan oleh simulasi jangka panjang
Kekhawatiran tentang degradasi cepat tidak terbukti. Dalam konfigurasi terpaksa, baik ArchesWeather maupun ArchesWeatherGen menunjukkan simulasi jangka panjang yang stabil: siklus tahunan tidak hancur, dan "kegagalan" iklim yang membunuh simulasi panjang berhasil dihindari. Model berhasil mereproduksi:
- klimatologi dasar dari reanalisis ERA5;
- sirkulasi atmosfer skala besar;
- variabilitas dari tahun ke tahun;
- keadaan langka dan ekstrem — ekor distribusi.
Dengan kata lain, rata-rata dan sebaran nilai terlihat masuk akal tidak hanya secara keseluruhan, tetapi juga dalam kasus ekstrem. Untuk sejumlah parameter, simulasi AI tidak kalah dengan model iklim numerik klasik. Secara khusus dicatat bahwa konfigurasi terpaksa bekerja jauh lebih baik daripada konfigurasi bebas: tanpa "petunjuk" dari lautan, kesalahan menumpuk lebih cepat.
Kesimpulan
Penelitian ini menegaskan: model pembelajaran mesin yang awalnya dibuat untuk prakiraan cuaca dapat menjadi dasar eksperimen iklim. Untuk ini, cukup menambahkan kondisi lautan eksternal dan mengikuti protokol perbandingan dengan cermat. Ini adalah cara yang relatif murah dan cepat untuk mendapatkan simulasi jangka panjang, meskipun masih jauh dari penggantian penuh model klasik — diperlukan pengujian yang lebih luas, terutama untuk detail regional dan ekstrem. Tetapi langkah pertama terlihat menjanjikan.
