AI:n börjar med vädret som redan finns
För att säga något om morgondagen måste varje prognos först få grepp om nuet. Det låter självklart, men är en av väderprognosens svåraste delar.
Mätningar kommer från termometrar, radar, satelliter, väderballonger, flygplan, fartyg och bojar. De täcker inte hela jorden jämnt, de görs vid olika tidpunkter och de kan innehålla fel. Ingen enskild mätning ger därför en komplett tredimensionell bild av atmosfären.
Prognoscentren kombinerar de senaste observationerna med en kort prognos från den föregående körningen. Det kallas dataassimilation. Resultatet blir en analys: den bästa sammanhängande uppskattningen av hur atmosfären och andra delar av jordsystemet ser ut just nu. Den analysen blir startpunkten för nästa prognos. [1]
Tänk på det som ett pussel med luckor. Observationerna är bitarna vi faktiskt har. Den korta prognosen ger ett utkast till vad som kan finnas mellan dem. Liknelsen slutar där: i verkligheten fogas bilden samman med matematiska osäkerhetsmodeller och fysikaliska samband, inte med magkänsla.
En AI-modell behöver två sorters minne
Det är lätt att blanda ihop de data som lär upp modellen med de data som startar dagens prognos.
Under träningen får modellen långa serier av historiskt väder. En reanalys är en rekonstruktion där äldre observationer har behandlats med samma assimileringssystem. Sådana sammanhängande väderserier kan användas för att lära en maskininlärningsmodell återkommande samband. [2]
Men träningsminnet berättar inte hur atmosfären ser ut i dag. När en ny körning ska börja behöver modellen en färsk analys. ECMWF:s operativa AIFS-prognoser startas från ECMWF:s operativa analys. AI:n ersätter alltså varken observationsnätet eller arbetet med att skapa en tillförlitlig startbild. [3]
Samma startlinje, två olika motorer
Från den gemensamma startbilden kan prognosen räknas fram på två principiellt olika sätt.
En traditionell numerisk väderprognos använder en fysikbaserad datormodell. Den räknar steg för steg framåt med numeriska approximationer av fysikens ekvationer. [4]
En renodlat datadriven modell tar en annan väg. Under träningen har den sett långa följder av atmosfäriska tillstånd och justerat sina interna tal, modellens vikter, för att känna igen hur ett tillstånd brukar följas av nästa. När prognosen körs använder den de inlärda sambanden i stället för att lösa samma uppsättning fysikekvationer steg för steg. [5]
Hela kedjan kan sammanfattas i sex stationer:
- Observationer samlas in från marken, havet, luften och rymden.
- Observationerna och en tidigare korttidsprognos fogas samman till en analys.
- Analysen blir startpunkt för en fysikbaserad eller maskininlärd modell.
- Prognossystemet räknar fram ett förlopp eller flera möjliga förlopp.
- Resultaten jämförs, kvalitetskontrolleras och anpassas till olika platser och behov.
- Meteorologer och varningsansvariga väger samman väder, osäkerhet och möjliga konsekvenser.
AI är med andra ord inte en fristående vädermaskin. Den är en ny motor i en kedja som redan innehåller observationer, fysik, kvalitetskontroll och kommunikation.
Vad har faktiskt blivit bättre?
Den tydligaste förändringen är att maskininlärda modeller kan göra själva prognossteget snabbare. Men snabbare betyder inte automatiskt att hela vädersystemet har blivit enklare eller billigare. Inferensen – körningen av en färdigtränad modell – omfattar inte träningen, observationssystemen, dataassimilationen eller hela den operativa leveranskedjan. Källorna här ger ingen exakt tids-, energi- eller kostnadssiffra. [12]
AI-prognoser har också lämnat forskningsstadiet. Den 7 augusti 2026 kör ECMWF två operativa varianter: den deterministiska AIFS Single och ensemblemodellen AIFS ENS. Single blev operativ den 25 februari 2025 och ENS den 1 juli 2025. Båda uppgraderades till version 2 den 12 maj 2026. [6]
Det betyder inte att användaren får en färdig lokal varning direkt ur AI-modellen. AIFS-varianterna är prognosunderlag i en större kedja.
En karta räcker inte när framtiden förgrenar sig
En deterministisk prognos ger ett enda förlopp från ett bestämt initialtillstånd. Den är lätt att läsa som ett facit. Men atmosfären är kaotisk: små fel i startbilden kan växa tills prognoserna drar åt olika håll.
En ensemble kör därför flera prognoser från lite olika initialtillstånd. Tänk dig en solfjäder av möjliga kartor. Om nästan alla visar storm över samma område är signalen starkare än om stormbanorna pekar åt många håll. [7]
Solfjädern visar ändå inte all risk. En ensemble samplar bara de osäkerheter som systemet har byggts för att variera. Om alla medlemmar delar samma modellfel kan de ligga tätt och ändå ha fel. Met Office beskriver begränsningen med det idealiserade antagandet att prognosmodellen är perfekt – vilket ingen verklig modell är. [8]
När någon säger ”bättre”, fråga: bättre på vad?
Att en AI-modell ”slår” en fysikbaserad modell säger förvånansvärt lite utan sammanhang. Vilken variabel jämfördes? På vilken plats, skala och prognoslängd? Vilket system användes som referens, vilket felmått valdes och vad räknades som facit? Ett resultat för medeltemperatur högt i atmosfären svarar inte automatiskt på hur väl modellen fångar en kraftig regnskur i en svensk kommun. [9]
Det finns också öppna frågor. Modeller som lärt sig historiska mönster måste prövas för fysisk rimlighet och för situationer, regioner och lokala skalor som avviker från träningsmaterialet. WMO pekar särskilt ut generalisering, regional överförbarhet och fysisk konsistens. [10]
Till och med en uppgradering kan ge något och ta något annat. ECMWF redovisade att AIFS v2 blev mer aktiv och mindre utslätad, men samtidigt fick tydliga försämringar för marknära temperaturer i Arktis i vissa jämförelser. Bedömningen ändrades när modellerna fick samma startanalys och när observationer användes som facit. En enda topprad i en resultattabell räcker alltså inte. [11]
Sista steget handlar om människor
En modell producerar fält av tal. En varning måste säga vad vädret kan innebära på en viss plats, hur osäker prognosen är och vilka beslut som kan behöva fattas.
WMO bedömer att kritiska prognoser och varningar som skyddar liv och egendom sannolikt även framöver kommer att granskas av mänskliga experter. Meteorologen ska kontrollera fysisk rimlighet, jämföra flera underlag och göra osäkerheten begriplig och handlingsbar. [13]
Det är därför den nya vädermaskinen fortfarande behöver sina äldre delar. AI:n kan räkna prognossteget snabbare och ge ett annorlunda underlag. Men en användbar prognos kräver fortfarande en bra startbild, fysikbaserade jämförelser, flera möjliga framtider och människor som förstår vad resultaten betyder i verkligheten.