Нейросети для прогноза погоды: Aurora 1.5 бьёт эталон ECMWF в 89% метрик

Aurora 1.5 продолжает фундаментальную модель Aurora, разработанную подразделением Microsoft Research AI for Science. Первую версию представили в 2024 году, научную статью опубликовали в Nature в 2025-м. Модель показала, что одна нейросеть способна прогнозировать и среднесрочную погоду, и океанские волны, и химию атмосферы. Обновление 1.5 делает модель пригодной для практических задач бизнеса: больше параметров атмосферы, выше временное разрешение, добавлен вероятностный прогноз.

По данным Microsoft, Aurora 1.5 превосходит ансамблевую модель ECMWF (Европейского центра среднесрочных прогнозов погоды, одного из мировых эталонов) на 88,9% оценённых целевых показателей. На тропических циклонах 2024-2025 годов ансамблевый медианный прогноз Aurora 1.5 снизил ошибку трека примерно на треть по сравнению с оригинальной Aurora.

Что понадобится

• Аккаунт на GitHub и базовое умение работать с репозиториями (клонировать, запускать скрипты).
• Аккаунт на Hugging Face для скачивания весов модели (чекпоинтов). Регистрация бесплатна.
• Python 3.10+ и менеджер пакетов pip или conda.
• GPU с достаточным объёмом видеопамяти. Для инференса (инференс, это запуск обученной модели для получения результата, без повторного обучения) нужна карта уровня NVIDIA A100 или аналог. На бытовых видеокартах полная модель не запустится, но можно арендовать GPU в облаке.
• Входные данные. Модель принимает данные в формате анализа ECMWF HRES (ERA5 или оперативные данные). Их можно получить через открытый API Copernicus Climate Data Store.
• Время: установка и первый запуск занимают от 30 минут до 2 часов в зависимости от опыта и скорости загрузки весов.

Пошаговая инструкция

1. Клонируйте репозиторий Aurora с GitHub.

git clone https://github.com/microsoft/aurora.git
cd aurora

1. Создайте виртуальное окружение и установите зависимости.

conda create -n aurora python=3.10 -y
conda activate aurora
pip install -r requirements.txt

1. Скачайте веса модели с Hugging Face. Перейдите на страницу модели Aurora 1.5 на Hugging Face, примите лицензионное соглашение и загрузите чекпоинты. Положите файлы в папку checkpoints/ внутри репозитория.

2. Подготовьте входные данные. Скачайте данные анализа ECMWF (например, ERA5) через Copernicus CDS API. Модель ожидает набор из 26 переменных (4 оригинальных плюс 22 новых), включая давление, температуру, влажность, осадки, радиацию и ветер на разных уровнях.

3. Запустите детерминированный прогноз (один сценарий без оценки разброса):

python run_aurora.py \
  --checkpoint checkpoints/aurora_1.5.pt \
  --input data/era5_sample.nc \
  --lead_time 72 \
  --temporal_resolution 1h

Параметр lead_time задаёт горизонт прогноза в часах, temporal_resolution включает почасовой шаг.

1. Запустите ансамблевый прогноз. Ансамбль (ensemble) запускает несколько симуляций с небольшими случайными возмущениями, чтобы показать не один «лучший» вариант, а веер возможных исходов с оценкой вероятности каждого:

python run_aurora.py \
  --checkpoint checkpoints/aurora_1.5_ensemble.pt \
  --input data/era5_sample.nc \
  --lead_time 72 \
  --temporal_resolution 1h \
  --ensemble_members 50

Параметр ensemble_members задаёт количество прогонов. Чем больше, тем полнее картина неопределённости, но дольше расчёт.

1. Проанализируйте результаты. Выходной файл в формате NetCDF содержит прогнозные поля для всех 26 переменных. Откройте его в Python-библиотеке xarray или визуализируйте через Matplotlib. Для ансамбля смотрите медиану и квантили: именно разброс показывает, насколько модель уверена в прогнозе.

22 новых переменных: что добавили?

К четырём исходным переменным Aurora 1.5 добавила поля, которые покрывают основные физические процессы в атмосфере:

• Давление на поверхности и на уровнях давления.
• Температура воздуха на разных высотах.
• Влажность и точка росы.
• Скорость и направление ветра.
• Осадки (дождь, снег).
• Радиационные потоки (солнечная и длинноволновая радиация).

По данным Microsoft, расширенный набор делает модель пригодной для энергетики (прогноз выработки солнечных и ветровых станций), сельского хозяйства (начало осадков, заморозки), транспорта и планирования устойчивости к климатическим рискам.

Как обучали ансамблевую версию?

Ансамбль в Aurora 1.5 получили многоступенчатым дообучением (fine-tuning, обучение модели на дополнительных данных под конкретную задачу). Сначала расширили набор переменных и перешли на почасовое разрешение, затем ввели управляемые возмущения в латентное пространство модели (область, где нейросеть хранит сжатое представление данных) и оптимизировали качество вероятностных прогнозов. Финальный этап: авторегрессивное дообучение на данных анализа ECMWF HRES за 2018-2023 годы, которое улучшило стабильность долгосрочных прогнозов.

Стоит подчеркнуть: модель обучена на глобальных данных ECMWF. Для территории России это и плюс (покрытие есть), и ограничение (локальная точность зависит от плотности станций наблюдения в регионе).

Что делать с этим прямо сейчас, по ролям?

Автору Дзена и контент-маркетологу. Тема нейросетей и прогнозов погоды даёт конкретный, проверяемый материал. Запустите ансамблевый прогноз на открытых данных для своего региона, покажите разницу между «один прогноз» и «веер сценариев», это визуально цепляет аудиторию. Статья с реальными картами из модели соберёт больше, чем пересказ пресс-релиза.

Маркетологу в энергетике или агросекторе. Почасовая детализация позволяет точнее планировать выработку ветровых и солнечных станций, страховать урожай, корректировать логистику. Покажите руководству модель как бесплатную альтернативу коммерческим сервисам для пилотного проекта.

Предпринимателю и техническому директору в РФ. Модель открыта и бесплатна, веса лежат на Hugging Face. Облачный GPU для расчёта можно арендовать у российских провайдеров (Selectel, Yandex Cloud). Из российских аналогов по масштабу задач: Яндекс Погода использует собственные модели машинного обучения, но их веса закрыты, вы не можете адаптировать их под свой бизнес. Aurora 1.5 позволяет дообучить модель на ваших локальных данных.

python run_aurora.py \
  --checkpoint checkpoints/aurora_1.5_ensemble.pt \
  --input data/era5_krasnodar_20250601.nc \
  --lead_time 48 \
  --temporal_resolution 1h \
  --ensemble_members 20 \
  --region 43.5,46.5,37.0,42.0

«Aurora 1.5 представляет собой значимый шаг к тому, чтобы фундаментальные модели погоды стали более открытыми, полезными и практичными. Выпуская модель открыто, мы даём исследователям, разработчикам и организациям понятный путь для оценки, адаптации и понимания того, где она может помочь.» : Шридхар Айер, корпоративный вице-президент Microsoft AI

Выход Aurora 1.5 совпал с ростом интереса к нейросетям для прогноза погоды со стороны бизнеса: коммерческие метеосервисы дорожают, а риски экстремальных погодных явлений растут. Открытая модель с ансамблевым прогнозом, это не замена Гидрометцентру, но конкретный инструмент, который прямо сейчас можно скачать, запустить и проверить на своих данных. Кто проверит первым, получит фору.