Я не знаю, что он имеет в виду. Я про то, что с 2010 года (мои наблюдения), в общем-то, никакого прогресса в работе моделей, к сожалению, так не произошло.
Ну почему же, вон Рединг (особенно в норвежской интерпретации) после обновления года 3 назад перестал рисовать -35 в каждой волне морозов, чем он раньше славился. У той же ГФС улучшился прогноз приземки ранней весной, что можно заметить по этому форуму - некоторые все еще верят в «занижение приземки» (градусов на 5-8, ага) и ошибаются.
По барике же, я думаю, проблема влияния вынужденной интерполяции исходных данных (и в целом их несовершенства из-за специфики расположения м/с, антропогена и т.д.) труднорешаема в рамках текущего поколения ГДМ. На мой взгляд, будущее за следующим поколением ансамблевых моделей на базе ML-алгоритмов: когда сама модель обучена, получать решения для новых исходных данных можно с минимальными вычислительными затратами. Среднее такого прогноза будет иметь очень низкую дисперсию, проблему же смещения оценок из-за кривых исходных данных некоторые статистические алгоритмы уже научились преодолевать. У ECMWF есть интересная статья на этот счет:
https://www.ecmwf.int/en/about/media-centre/science-blog/2023/rise-machine-learning-weather-forecastingНу и, конечно, кто-то да должен натренировать мезомасштабки, корректирующие «сырые» приземные параметры той же ГФС под известные закономерности конкретного региона/сезона/мс.
Spasatel, помнится, писал, что у ГМЦ накоплены хорошие базы этих отклонений, вопрос лишь в подготовке данных и поиске хороших ML-щиков (встаёт вопрос зарплат…), ну и оборудование, конечно.
