AI revolutionerar väderprognoser – möts av ”kaosbarriären”

Kvart över fyra på morgonen den 5 juni 1944 piskade regnet i mörkret över Southwick House, de allierades högkvarter utanför Portsmouth. I husets bibliotek väntade den skotske chefsmeteorologen James Stagg på general Dwight D Eisenhower. Med sig hade James Stagg väderprognosen som skulle avgöra hela Europas framtid.

Invasionen av Normandie, en insats med 160 000 soldater, krävde lågvatten nära soluppgången, vindar under åtta meter per sekund och få moln. Enligt den ursprungliga planen skulle de allierade styrkorna vid det här laget ha påbörjat landstigningen på den franska sidan av kanalen. I det rådande ovädret hade operationen sannolikt misslyckats.

Nu meddelade i stället James Stagg att ett kort uppehåll skulle göra landstigningen möjlig ett dygn senare. Det rådande lågtrycket var på väg bort mot Norge, och nästa skulle dröja sig kvar över Atlanten. Dwight D Eisenhower gav klartecken till landstigning den 6 juni.

Bakom James Staggs besked låg inte en prognos, utan tre, och grupperna bakom dem var oense. På basen Widewing hade amerikanerna Irving Krick och Ben Holzman letat i arkiven efter väderlägen som liknade det rådande. De antog att vädret skulle utvecklas likadant igen. Deras metod hade gett grönt ljus redan den 5 juni.

De två brittiska grupperna, där norrmannen Sverre Petterssen från Bergenskolan ingick, analyserade i stället hur luftmassor och fronter rörde sig. Med hjälp av observationer, väderkartor och kunskap om atmosfärens fysik försökte de bedöma hur vädret skulle utvecklas. De hade avrått från landstigning, och den 5 juni uppmättes vindstyrkor på upp mot 15 meter per sekund i kanalen.

Samtidigt bedömde de tyska meteorologerna på andra sidan att vädret var alldeles för dåligt för en invasion även den 6 juni. Därför var många tyska officerare på permission och de flesta flygplan kvar på marken när de allierade kom. Landstigningen lyckades, och världen blev som den blev.

När datorerna tog över

Att förutsäga vädret är en enormt komplicerad uppgift som sedan början av 1950-talet har utförts med datorernas hjälp. Den första datorprognosen gjordes i USA 1950, och 1954 började forskare vid Internationella meteorologiska institutet i Stockholm, i samarbete med flygvapnet, producera världens första rutinmässiga numeriska väderprognoser på datorn Besk. Beräkningarna byggde på fysikaliska ekvationer, precis som dagens traditionella vädermodeller.

Få känner det maskineriet bättre än Andrew Charlton-Perez, professor i meteorologi vid University of Reading i England, där det europeiska vädercentret ECMWF:s nya huvudkontor ska ligga. Han har tilldelats Royal Meteorological Societys L F Richardson-pris, uppkallat efter mannen som 1922 försökte räkna fram vädret för hand, och tog i januari i år emot utmärkelsen Officer of the Order of the British Empire för sina insatser för klimatforskning och utbildning.

– Först samlas observationer in från satelliter, väderstationer, väderballonger, fartyg och flygplan. Hundratals miljoner mätningar varje dygn, berättar han.

I nästa steg, dataassimileringen, vävs observationerna samman med den senaste prognosen till en så exakt bild som möjligt av hur atmosfären ser ut just nu.

– Sedan låter superdatorer fysikens ekvationer för vind, tryck, temperatur och fukt räkna fram hur läget utvecklas, steg för steg, i ett rutnät som täcker hela jorden och atmosfären i flera lager. Ju finare rutnät, desto fler detaljer kommer med, och desto dyrare blir beräkningen, förklarar Andrew Charlton-Perez.

Modellernas olika delar kräver särskild kod och egna experter. En fysikmodell kan därför omfatta miljontals rader kod. En sådan modell kräver superdatorer och är dyr och långsam, men följer naturlagarna.

Felet som avgjorde allt

Ändå finns en gräns som ingen superdator kommer förbi. Den upptäcktes av en slump. 1961 ville den amerikanske meteorologen Edward Lorenz köra om en simulering och matade för enkelhetens skull in startvärdena med tre decimaler i stället för sex. Efter en tid visade modellen ett helt annat väder än förväntat.

– De flesta av oss som inte är genier hade tänkt att något gått fel och kört om, säger Andrew Charlton-Perez. Men Edward Lorenz förstod att det sade något väldigt grundläggande om hur de här systemen fungerar.

Edward Lorenz hade upptäckt kaos: små skillnader i utgångsläget kan växa till helt olika resultat, trots att naturens lagar är desamma. Fenomenet har populariserats som fjärilseffekten.

– En fjärils vingslag i Reading kan orsaka en tornado i Texas. Poängen är att en liten skillnad här kan ge ett helt annat utfall längre fram, säger Andrew Charlton-Perez.

– Vi kommer aldrig att kunna mäta varje variabel på varje plats med perfekt noggrannhet. Därför kommer kaoset alltid att finnas i varje väderprognos. På sätt och vis går väderprognoser ut på att kämpa emot kaoset så långt det går, fortsätter han.

I de tidiga datormodellerna fördubblades felen ungefär var femte dag, och ur det räknade forskarna fram att detaljerade prognoser knappast kan nå längre än två veckor. Inom den gränsen har prognoserna ändå blivit ungefär ett dygn bättre per decennium. För att hantera osäkerheten gör vädertjänsterna i dag många beräkningar med något olika startlägen. Resultatet kallas ensembleprognoser.

Maskininlärningen utmanar fysiken

I över 70 år har meteorologerna försökt besegra osäkerheten med allt större datorkraft. Nu har en helt annan metod vänt upp och ned på spelplanen. AI-modellerna behöver inte lösa atmosfärens fysikaliska ekvationer för att förutsäga vädret. Ändå har de under 2020-talet revolutionerat meteorologin i grunden.

AI-modellerna har tränats på omkring 40 års väderdata från hela jorden och lärt sig hur atmosfären brukar utvecklas från ett läge till nästa. Andrew Charlton-Perez ser en direkt parallell till amerikanerna som hade fel om den 5 juni 1944.

– I grunden är idén densamma: att lära av det förflutna och hitta mönstren. Skillnaden är att Irving Krick och hans grupp försökte hitta mönstren själva. AI-modellerna är nästan kusliga i hur effektivt de hittar mönster som vi människor aldrig skulle kunna se, säger han.

Resultaten har överraskat hela fältet. År 2023 slog Google Deepminds modell Graphcast ECMWF:s fysikmodell, då världens främsta prognossystem, på 90 procent av 1 380 jämförda mått. Sedan februari 2025 använder ECMWF en egen AI-modell i sin operativa drift.

Andrew Charlton-Perez har lett flera AI-studier, bland annat en som testade fyra AI-modeller mot stormen Ciarán, som drog in över Västeuropa i november 2023. Till en början hade de låga förväntningar på den nya metoden.

– Jag skulle kalla mig en ganska traditionell meteorolog, på en institution full av mycket traditionella meteorologer. Skepsisen var enorm, säger han.

– Men vi blev alla förvånade. Det var inte perfekt, men mycket bättre än vi hade väntat oss.

Men den verkliga revolutionen ligger inte endast i AI-modellernas träffsäkerhet, utan också i den tid, energi och datorkraft de kräver. En tiodygnsprognos som tidigare krävde timmar på en superdator kan Graphcast producera på under en minut med en enda specialiserad AI-processor.

– För en enskild prognos är AI 1 000 gånger billigare i energi. Med träningen blir det kanske en faktor 100. Och träningsdata kommer i dag från fysikaliska modeller. Med hela den produktionen är AI-modellerna fortfarande två till tre gånger billigare, säger Heiner Körnich, chef för metodenheten på SMHI.

Det gör det möjligt att beräkna många fler prognosvarianter och skräddarsy dem för ett enskilt land eller beslut. För ett år sedan var Andrew Charlton-Perez osäker på vart utvecklingen skulle leda. Nu är han ganska övertygad om att AI-modellerna blir ryggraden i framtidens prognoser.

– De kommer att bli så billiga och lätta att flytta att i princip alla kan använda dem och anpassa dem efter sina behov, säger Andrew Charlton-Perez.

Störst är inte bäst

Men en prognos har aldrig varit ett självändamål. James Stagg gjorde inte prognoser för vetenskapens skull, utan för att Dwight D Eisenhower skulle kunna avgöra när 160 000 soldater kunde gå i land.

Värdet av en prognos uppstår först när någon fattar ett bättre beslut tack vare den. För bonden som väntar med sådden kan det innebära skillnaden mellan god skörd och missväxt. För kommunen som varnas för ett skyfall kan det avgöra om det blir blöta gator eller miljardskador. Enligt Global Commission on Adaptation beräknas varje dollar i tidiga varningssystem ge omkring nio tillbaka.

Men den mest träffsäkra prognosen är inte nödvändigtvis den mest värdefulla. Det beror på vilket beslut prognosen ska ligga till grund för. Leonardo Olivetti och Gabriele Messori vid Uppsala universitet har tillsammans med ekonomer vid Världsbanken jämfört ECMWF:s AI-modell med en traditionell fysikmodell i tolv storstäder. De undersökte hur prognoserna påverkar beslut om skydd mot extremväder: ett missat oväder kan bli dyrt, men även falsklarm kostar när skyddsåtgärder sätts in i onödan.

Anta att det kostar 1 miljon kronor att skydda en stad mot en storm som annars orsakar skador för 100 miljoner. Då kan det löna sig att agera även vid låg risk för storm. Kostar skyddet i stället 50 miljoner krävs en mycket större risk för att åtgärden ska vara motiverad. Därför avgörs prognosens ekonomiska värde inte bara av hur ofta den träffar rätt, utan av vilka fel den gör och vad dessa kostar.

I flera sydeuropeiska städer fångade fysikmodellen fler extrema väderhändelser men gav också fler falsklarm. Den var därför ekonomiskt fördelaktig när skyddet var billigt. AI-modellen, som oftare undvek falsklarm, gav större nytta när åtgärderna var dyra. I Bangkok var AI-modellen däremot bättre på att förutse extrem värme fem dygn i förväg: den fångade 72 procent av värmeextremerna, mot fysikmodellens 24 procent.

Forskarnas resultat pekar mot en förändring som går längre än billigare och bättre prognoser. AI-modeller skulle kunna tränas för att maximera prognosernas ekonomiska värde, i stället för att enbart minimera de meteorologiska felen. En modell skulle exempelvis kunna prioritera situationer där en miss kostar särskilt mycket.

Heiner Körnich arbetar med att omsätta AI-forskning i SMHI:s dagliga verksamhet. Han beskriver hur meteorologerna redan försöker hjälpa beslutsfattare att väga risk mot kostnad.

– Vi gör inte bara en prognos, vi gör 30. Det ger en fördelning av möjliga väderutfall. Sedan måste man väga vad det kostar att vara förberedd mot vad det kostar att inte vara det. I bästa fall sitter en liten meteorolog på beslutsfattarens axel och hittar den balansen. Men om AI får de här kostnaderna att förhålla sig till kan man inkludera det i träningen, säger han.

AI gör det dessutom möjligt att förutsäga just det användaren behöver veta, utan att alltid gå omvägen via en fullständig väderprognos. Heiner Körnich ger ett svenskt exempel: isbildning på vindkraftverkens rotorblad, som kan minska elproduktionen. Fysikaliska modeller för isbildning bygger bland annat på laboratorieförsök men är osäkra. I ett projekt gav en AI-modell som tränats direkt på observationer bättre resultat.

– Man kan träna precis på det som användaren behöver, och inte gå via tryck, väder och snö, säger Heiner Körnich. De fysikaliska modellerna gör att man blir nischad i sitt specialistområde. AI öppnar för att man funderar på hur modellen ska optimeras i träningen, så att den ger bästa möjliga beslut.

Det är ännu inte ekonomisk optimering, men principen är besläktad: utgå från beslutet, inte bara vädret.

Forskningen försöker nu dra tanken ännu längre. I dag går vägen från mätning till prognos via dataassimilering och fysikmodeller. Patrick Eriksson är professor i miljömätteknik vid Chalmers och forskar på satellitmätningar och maskininlärning. Han var med och tog fram den svenskbyggda vädersatelliten Arctic Weather Satellite och ser hur forskarna nu försöker kapa mellanstegen helt.

– Går man direkt från satellitobservation till prognos, eller från observation till råd, kapar man hela den processen. Det blir en stor svart låda, men en mycket renare process, säger han.

AI-modellerna skulle kunna arbeta direkt med mätningarna och förutsäga vad satelliter och väderstationer kommer att mäta i morgon, utan att först bygga upp en bild av hela atmosfären. Det skulle också ta till vara mer av det vi faktiskt mäter.

– Dagens prognossystem slänger bort det mesta av satellitdatan. Kanske tio procent går in, för vissa observationer bara några procent. En maskininlärningsmodell kan i princip använda allt, säger Patrick Eriksson.

Så blir prognoserna pengar

I Sverige är elsystemet ett tydligt exempel på vad bättre prognoser kan vara värda. Ju större del av elen som kommer från vind och sol, desto mer påverkas produktionen av vädret. Elproducenterna måste i förväg planera sina leveranser. När vinden avviker från prognosen måste skillnaden hanteras i elsystemet, ibland till höga obalanskostnader. Sedan Svenska Kraftnät införde en automatiserad marknad för balansenergi i mars 2025 har priserna tidvis varierat kraftigt och flera aktörer rapporterat ökade kostnader.

Bättre lokala prognoser för vind och moln kan därför minska behovet av dyra korrigeringar. SMHI utvecklar tillsammans med Svenska Kraftnät en AI-modell för de närmaste timmarna, som bland annat bygger på data från Arctic Weather Satellite. Myndigheten använder redan AI operativt: en modell som ursprungligen utvecklades vid Chalmers tolkar satellitbilder var femtonde minut och skapar nederbördskartor över Sverige. Den är särskilt användbar i fjällen, dit väderradarn inte alltid når.

– Det handlar om snabba prognoser, gärna lokala och specifika för just din plats. Där tror jag inte att vi har sett alla möjligheter än, säger Heiner Körnich.

Stora vinster kan även finnas där prognoserna hittills varit sämre. AI kräver mindre datorkraft än fysikmodeller för att beräkna en prognos, vilket kan göra väderinformation billigare att sprida.

– Att kunna köra modellerna på en bärbar dator är framför allt intressant för utvecklingsländer som inte har lika bra väderprognoser. Ofta räknar man med att en liten förbättring kan ge en ganska stor ekonomisk vinst, säger Heiner Körnich.

Sommaren 2025 fick omkring 38 miljoner indiska bönder sms från jordbruksministeriet om när monsunen väntades komma. Prognoserna sträckte sig upp till en månad framåt och byggde bland annat på ECMWF:s AI-modell. Bakom projektet fanns forskare vid University of Chicago, där den Nobelprisade ekonomen Michael Kremer har en ledande roll.

Prognoserna förutsåg bland annat att monsunen skulle göra ett ovanligt uppehåll, som sedan varade i nästan tre veckor. För en bonde kan det vara avgörande. Sås fröna precis före ett långt uppehåll riskerar de att gå förlorade, men väntar bonden för länge kan växtsäsongen bli för kort.

Enligt University of Chicago kostade det totalt omkring 2,7 amerikanska cent per bonde att ta fram och distribuera prognoserna. Själva utskicken kostade mindre än en halv cent per mottagare. Michael Kremer bedömer att varje dollar som staten satsade sannolikt gav bönderna mer än 100 dollar tillbaka.

För Michael Kremer är det också ett exempel på varför samhället bör ta ansvar för att prognoserna når fram. Väderinformation har drag av en kollektiv nyttighet: När en bonde använder en prognos hindrar det inte grannen från att göra detsamma. Den kan därför ge större samhällsnytta om den sprids brett än om bara de som kan betala får tillgång.

Vem äger framtidens prognoser?

AI gör prognoser billigare att beräkna, men någon måste fortfarande bekosta observationerna, kontrollera kvaliteten och se till att informationen når mottagarna. Det väcker frågor om vem som ska kontrollera framtidens väderprognoser. Flera ledande AI-modeller har utvecklats av teknikjättar vars resurser vida överstiger de flesta nationella vädertjänsters.

Det är ett nytt läge. I årtionden har Europa varit världsledande på globala väderprognoser genom ECMWF, som drivs gemensamt av europeiska länder.

– De har länge gjort de bästa globala väderprognoserna, och det har varit smärtsamt för amerikanerna, säger Patrick Eriksson.

Ironiskt nog vilar teknikjättarnas modeller på europeisk grund. De har tränats på ERA5, ECMWF:s EU-finansierade rekonstruktion av de senaste årtiondenas väder.

– ERA5 har varit en guldgruva för Google, Microsoft och Huawei. Det var den lågt hängande frukten. De har fått mycket gratis.

Att utvecklingen nu till stor del drivs av privata aktörer är något som även forskarna i Reading funderar över.

– Man kan tänka sig en mer dystopisk framtid där det fria datautbytet, som burit meteorologin i minst 60–70 år, börjar hotas och data blir kung, säger Andrew Charlton-Perez.

Heiner Körnich undrar vad företagen egentligen vill uppnå.

– What’s the endgame? Google gör det nog för att många sökningar handlar om vädret. Nvidia vill väl visa nyttan av sin teknik. Men är det rätt partner för en vädertjänst som behöver driftsäker produktion? Kanske inte, säger han.

Att köpa prognoser från ett teknikbolag vore tänkbart, menar Heiner Körnich, men risken är att myndigheten blir beroende av en leverantör som kan ändra villkoren eller lämna marknaden.

– Vill man ha en kontinuerlig tjänst med driftssäkerhet dygnet runt kan vi i dag inte förlita oss på de här aktörerna, säger han.

Dessutom är det skillnad mellan att producera prognoser och att upprätthålla den infrastruktur som gör dem möjliga. Officiella vädervarningar, långsiktiga observationer och kvalitetskontrollerade mätserier är uppgifter som Heiner Körnich inte tror att teknikbolagen kommer att ta över.

– Google kommer inte att sköta det. Och det behövs för att göra den prognos man vill ha, säger han.

Än så länge är han inte särskilt orolig. ECMWF har utvecklat en egen konkurrenskraftig AI-modell, och teknikbolagen har delat med sig av mycket av sin forskning. Andrew Charlton-Perez håller med.

– De har hittills gjort det här på ett väldigt öppet sätt. Så min oro kanske är obefogad, säger han.

AI och domedagen

När Andrew Charlton-Perez och hans kolleger i år lät ECMWF:s AI-ensemble återskapa prognoserna inför D-dagen klarade den testet och förutsåg stormen den 5 juni, där Irving Kricks analoga metod hade gett grönt ljus. Men inför den 6 juni gjorde den samma misstag som de gamla meteorologerna och placerade lågtrycket för långt norrut.

– Det finns en ständig debatt om huruvida meteorologerna på D-dagen fick rätt av fel skäl. Och AI-modellerna gjorde precis samma sak, säger Andrew Charlton-Perez.

Ensemblen visade omkring 30 procents risk för alltför hård vind, och studiens slutsats är att James Stagg sannolikt hade gett samma råd med AI:ns hjälp. Maskinerna har lärt sig betydligt mer av historien än Irving Krick, men inte allt.

Eftersom AI-modellerna tränas att göra så små fel som möjligt i genomsnitt tonar de ned topparna i vind och nederbörd. I en studie i Science Advances underskattade ledande AI-modeller systematiskt rekordvärme, rekordkyla och rekordvind, och i testet mot stormen Ciarán underskattade alla fyra modellerna de kraftigaste vindarna. Det är ofta just sådana händelser som kostar mest.

– AI kan hallucinera. Vi är aktsamma så att vi inte förlitar oss blint. När vi ser ett extremt väderläge tittar vi extra noggrant på de fysikaliska modellerna, som har en förklarbarhet som vi inte har i en AI-modell, säger Heiner Körnich.

Om Andrew Charlton-Perez fick skicka moderna prognosmodeller tillbaka till 1944 skulle han skicka båda typerna – och någon som kan tolka dem.

– Dwight D Eisenhower kan inte titta endast på modellernas råa utdata. Man vill ha en människa som tolkar och ger råd. Det tror jag aldrig försvinner, hur avancerade modellerna än blir, säger han.

I juni 1944 vilade ett enda beslut på tre oeniga prognoser och handritade väderkartor. I dag fattas miljontals väderberoende beslut varje dag. Elbolag balanserar elsystemet, kommuner rustar för skyfall och bönder väljer när de ska så. AI gör att prognoserna kan räknas fram på en bärbar dator, skräddarsys för varje beslut och nå människor som aldrig tidigare haft tillgång till dem.

Kanske är kaoset, som står i vägen för hur långt fram vi kan se, den enda gräns som förblir oförändrad när maskininlärningen fortsätter att flytta de andra. Men inom den gränsen har frågorna förändrats: från hur bra prognosen kan bli till vem som får den, vilka resurser som krävs och hur vi använder den för att fatta bättre beslut.

– Jag tror inte att AI kan bryta igenom kaosbarriären. Men jag trodde inte heller att en AI-modell skulle kunna göra den väderprognos den gör i dag, säger Heiner Körnich.