AI kan ge oss försprång inför nästa höststorm

Ett lågtryck växer över Atlanten. Kommer det att passera norr om Sverige eller dra in över västkusten? Skillnaden kan avgöra om elnätsföretag behöver förstärka sin beredskap, om lantbrukare bör tidigarelägga skörden och hur räddningstjänsten ska förbereda sig. AI öppnar nya möjligheter att se sådana vägval tidigare – men en bättre väderprognos är inte automatiskt en färdig stormvarning.

I vår syskontidning Superintelligens granskas hur AI förändrar väderprognoserna. Här sammanfattar vi de viktigaste slutsatserna. Höststormen som beskrivs i originalreportaget är ett tänkt exempel, inte en prognos för ett pågående oväder.

Traditionella vädermodeller räknar fram atmosfärens utveckling med fysikaliska ekvationer. AI-modeller lär sig i stället komplexa samband ur historiska vädertillstånd. Båda behöver tillförlitliga observationer och en bra beskrivning av vädret när beräkningen börjar.

Google DeepMinds GenCast, presenterad i Nature i december 2024, skapar en hel samling möjliga väderutvecklingar, en så kallad ensemble. Därmed kan modellen visa flera tänkbara stormbanor och hjälpa till att beskriva osäkerheten, i stället för att bara rita en bestämd väg för lågtrycket.

I studiens utvärdering överträffade GenCast ECMWF:s etablerade ensembleprognoser på 97,2 procent av de undersökta kombinationerna av variabler, prognoslängder och andra utvärderingsdimensioner. Det betyder inte att 97,2 procent av alla stormar förutsägs rätt. Huvudjämförelsen gällde prognoser för 2019 och ska inte heller läsas som ett generellt besked om att modellen slår alla dagens prognossystem.

GenCast kan göra prognoser upp till 15 dygn framåt. Forskarna uppgav att en sådan prognos för en ensemblemedlem kunde genereras på omkring åtta minuter med den angivna beräkningsutrustningen. Det avser modellkörningen, inte en komplett prognostjänst med observationer, kvalitetskontroll och allt annat som krävs.

Snabbheten är ändå lovande. När fler möjliga förlopp kan undersökas blir det lättare att förbereda flera handlingsalternativ. Ett elnätsföretag skulle exempelvis kunna kontrollera reservmateriel i god tid och sedan använda lokala prognoser för att avgöra var reparationslagen behövs. En lantbrukare kan få tidigare framförhållning inför regn, medan räddningstjänsten kan bedöma risken för flera samtidiga störningar.

Det är möjliga tillämpningar, inte belägg för att just GenCast redan används på dessa sätt i Sverige.

En global modell visar inte vad som händer vid varje elledning, hamn eller väg. GenCasts rutnät på 0,25 grader motsvarar ungefär 28 kilometer i nord–sydlig riktning. Kortvariga vindbyar, terräng och lokala förhållanden kräver kompletterande underlag.

Skadorna beror dessutom på mer än vindstyrkan. Vattenmättad mark, löv på träden och sårbar infrastruktur kan påverka konsekvenserna. SMHI:s vädervarningar är därför konsekvensbaserade: de handlar om hur samhället väntas påverkas, inte bara om siffror på en karta.

AI och traditionell meteorologi är heller inte längre tydliga motståndare. ECMWF tog sitt AI-system AIFS i operativ drift i februari 2025, vid sidan av de fysikbaserade prognoserna. Den lovande vägen är att kombinera snabb global överblick, regionala detaljer och meteorologernas bedömningar.

Vinsten är inte att osäkerheten försvinner. Den är möjligheten att fatta bättre beslut medan det fortfarande finns tid att agera.

Läs hela artikeln: Kan AI se nästa höststorm före dagens vädermodeller? hos Superintelligens, med fördjupning om GenCast, prognosernas begränsningar och vad som krävs för säkrare varningar.