Strojové učení by mohlo zlepšit předpověď narušení polárního víru

Polární vír, tedy obrovská cyklonální masa studeného vzduchu obklopující severní pól, může být při náhlém stratosférickém oteplení narušen, což se projevuje výrazným poklesem teplot v Severní Americe i Evropě. Právě takové události je přitom velmi obtížné předpovídat. Nový přístup, který využívá strojové učení, ukazuje, že by se to mohlo změnit. O studii informoval magazín Eos, vydávaný Americkou geofyzikální unií (AGU), v článku Nathaniela Scharpinga zveřejněném 20. října 2026.

Studii s označením DOI 10.1029/2026JH001387 publikoval v letošním roce tým kolem Boscu et al. v odborném časopise Journal of Geophysical Research: Machine Learning and Computation. Autoři se zaměřili na jev, který meteorologové označují zkratkou SSW, tedy náhlé stratosférické oteplení. Při něm dochází k narušení polárního víru, a to může mít v nižších vrstvách atmosféry citelné následky v podobě vln chladného počasí.

Výzkumníci k problému přistoupili tak, že využili podmíněný variační autoenkodér (conditional variational autoencoder), tedy typ modelu strojového učení. Ten netrénovali na reálných pozorováních, ale na datech z fyzikálního modelu, konkrétně z Holton-Massova modelu stratosférické variability. Jde o zjednodušený model, který popisuje chování stratosféry a který produkuje dva metastabilní režimy polárního víru: slabý a silný. Přechod ze silného do slabého režimu odpovídá právě náhlému stratosférickému oteplení.

Takový postup má svou logiku. Reálných případů SSW je v pozorovacích záznamech omezený počet, zatímco fyzikální model dokáže vygenerovat dostatek dat, na nichž se algoritmus může naučit rozpoznávat charakteristické vzorce. Autoenkodér pak slouží k tomu, aby složitá data o stavu víru zhustil do kompaktnější podoby, ve které lze hledat strukturu.

Tu autoři zkoumali pomocí analýzy hlavních komponent (principal component analysis). Ta v datech identifikovala čtyři fyzikálně interpretovatelné shluky. Odpovídají silným a slabým stavům polárního víru a také přechodovým drahám mezi nimi. Důležitá je právě interpretovatelnost: shluky nejsou jen abstraktním výstupem algoritmu, ale dají se spojit s konkrétními stavy a procesy v atmosféře, což je u metod strojového učení často slabým místem.

Podle autorů je ve shlucích zřetelný signál, který předpovídá, zda k narušení víru dojde. Jinými slovy, z polohy systému v tomto zjednodušeném prostoru lze usuzovat, zda se vír udrží v silném režimu, nebo zamíří k přechodu do slabého stavu a tím k náhlému oteplení stratosféry. Právě tato předpovědní schopnost je z praktického hlediska nejcennější, protože včasné varování před SSW by mohlo pomoci lépe odhadnout nástup mimořádně chladného počasí.

Autoři ve své práci docházejí k závěru, že by se vyvinutý model mohl využít k přesnější předpovědi budoucích událostí SSW v reálném světě. Studie je tedy krokem k tomu, aby se propojily fyzikální poznatky o stratosféře s možnostmi moderních výpočetních metod. Zjednodušený fyzikální model slouží jako laboratoř, v níž se algoritmus učí, a získané poznatky mají být následně přenositelné na skutečnou atmosféru.

Z dostupných informací je třeba zdůraznit, že výsledky vycházejí z práce s Holton-Massovým modelem, nikoli přímo z pozorování reálných událostí. Autoři sami mluví o tom, že model by mohl být využit k lepším předpovědím, nikoli že už se tak děje. Praktické nasazení by tedy vyžadovalo další ověření na skutečných datech.

Přesto studie ukazuje zajímavý směr. Náhlá stratosférická oteplení patří k jevům, které dokážou na několik týdnů změnit počasí na velkých územích severní polokoule, a každé zlepšení předpovědi může mít dopad na energetiku, dopravu či zemědělství v zasažených oblastech. Kombinace fyzikálně podložených modelů a strojového učení, která umožňuje výsledky nejen získat, ale také pochopit, se tak může stát užitečným nástrojem pro meteorology i klimatology.