Vědci zdokonalili modelování aerosolů díky kombinaci satelitních dat a umělé inteligence

Tým vědců vedený výzkumníkem Zhangem představil novou metodu zpracování satelitních pozorování aerosolů, která podle publikovaných výsledků výrazně zvyšuje přesnost klimatických a meteorologických simulací. Studie byla zveřejněna 2. října 2026 v odborném časopise Journal of Advances in Modeling Earth Systems.

Aerosoly, tedy drobné pevné nebo kapalné částice rozptýlené v atmosféře, patří mezi klíčové, ale zároveň nejobtížněji modelovatelné prvky klimatických systémů. Ovlivňují množství slunečního záření, které dopadá na zemský povrch, podílejí se na tvorbě oblaků a srážek a mají dopad na kvalitu ovzduší. Jejich chování je však natolik proměnlivé a závislé na mnoha faktorech, že tradiční simulační modely je dokázaly zachytit jen s omezenou přesností.

Zhangův tým proto vyvinul postup, který přímo začleňuje satelitní data do simulací aerosolů pomocí umělé inteligence. Namísto toho, aby se satelitní pozorování používala pouze jako doplňkový nástroj pro zpětnou kontrolu modelů, jsou nyní data integrována přímo do výpočetního procesu. Umělá inteligence pomáhá zpracovat rozsáhlé objemy satelitních informací a propojit je s fyzikálními modely atmosféry efektivněji, než to umožňovaly dosavadní metody.

Novou metodu vědci testovali na predikcích pro oblast východní Číny, regionu, který se dlouhodobě potýká se znečištěním ovzduší a komplexní aerosolovou zátěží způsobenou průmyslovou činností i přírodními zdroji prachu. Právě proto se tato oblast jevila jako vhodné testovací prostředí pro ověření spolehlivosti nového přístupu v reálných podmínkách.

Výsledky byly podle autorů studie jednoznačné. Nová metoda snížila chyby predikcí přibližně o 50 procent ve srovnání s tradičními simulačními přístupy. Jde o výrazné zlepšení, které by mohlo mít praktický dopad na přesnost předpovědí počasí i dlouhodobějších klimatických projekcí.

Přesnější modelování aerosolů má význam nejen pro meteorology, ale i pro instituce sledující kvalitu ovzduší a zdravotní rizika spojená se znečištěním. Lepší predikce mohou pomoci včas varovat před epizodami smogu nebo prachových bouří a zpřesnit odhady toho, jak aerosoly ovlivňují regionální i globální klima.

Podle vědců představuje spojení satelitních pozorování s umělou inteligencí perspektivní směr pro budoucí vývoj klimatických modelů. Tradiční simulace se při zahrnování aerosolů potýkaly s omezeními danou výpočetní náročností a nedostatečným propojením pozorovaných dat s modelovými předpoklady. Nový přístup tyto bariéry podle všeho dokáže překonat efektivněji.

Studie byla také shrnuta v článku autorky Stanley zveřejněném v magazínu Eos, který vydává Americká geofyzikální unie. Text přibližuje širšímu publiku, proč je přesné sledování drobných částic v atmosféře klíčové pro zlepšení předpovědí počasí i kvality ovzduší.

Vědecká komunita dlouhodobě upozorňuje na to, že aerosoly patří mezi faktory s největší mírou nejistoty v klimatických modelech. Zatímco skleníkové plyny mají na oteplování planety poměrně dobře popsaný a konzistentní účinek, aerosoly mohou klima jak ochlazovat, tak v některých případech přispívat k oteplení, v závislosti na jejich složení, velikosti částic a nadmořské výšce, ve které se vyskytují. Přesnější zachycení jejich chování je tak zásadní pro omezení nejistoty budoucích klimatických scénářů.

Zhangův tým plánuje v další fázi výzkumu otestovat metodu i v jiných regionech světa s odlišnými typy aerosolového znečištění, aby ověřil, zda jsou dosažené výsledky přenositelné i mimo podmínky východní Číny. Pokud se přístup osvědčí i v širším měřítku, mohl by se stát standardní součástí budoucích generací meteorologických a klimatických modelů.

Práce tak zapadá do širšího trendu využívání umělé inteligence v klimatologii a meteorologii, kde strojové učení stále častěji doplňuje tradiční fyzikální modelování. Kombinace obou přístupů podle odborníků umožňuje lépe zpracovat obrovské množství dat, která moderní satelity a pozorovací systémy dlouhodobě generují, a zároveň zachovat fyzikální konzistenci předpovědí.