استفاده از یادگیری ماشین برای پیش‌بینی اختلالات گردابه قطبی
منبع: مجله پژوهش‌های ژئوفیزیکی: یادگیری ماشین و محاسبات
گردابه قطبی، توده‌ای چرخان از هوای سرد که قطب شمال را دربر می‌گیرد، گاهی بر اثر رویدادهای گرم‌شدن ناگهانی استراتوسفر (SSW) دچار اختلال می‌شود. در پی این رویدادها، موج‌هایی از هوای بسیار سرد به عرض‌های جغرافیایی پایین‌تر از حد معمول نفوذ می‌کنند و دمای هوا در سراسر آمریکای شمالی و اروپا به‌شدت کاهش می‌یابد. بااین‌حال، پیش‌بینی چنین رویدادهایی همچنان دشوار است و در نتیجه، نمی‌توان به‌سادگی از نزدیک بودن وقوع آن‌ها به مردم هشدار داد.
بوسکو و همکاران با استفاده از یک روش یادگیری ماشین (ML)، رفتار رویدادهای گرم‌شدن ناگهانی استراتوسفر را از طریق یک شبیه‌سازی فیزیک‌محور آموزش دادند؛ شبیه‌سازی‌ای که پویایی‌های مهم جو را بازتولید می‌کند. این روش سرعت اجرای شبیه‌سازی‌های گردابه قطبی را افزایش می‌دهد. پژوهشگران همچنین یک گام فراتر رفتند و خود مدل یادگیری ماشین را تحلیل کردند تا دریابند این مدل جنبه‌های مختلف گردابه قطبی را چگونه بازنمایی می‌کند.
پژوهشگران مدل خود را با استفاده از مدل هولتون–ماس (Holton–Mass) برای تغییرپذیری استراتوسفر آموزش دادند. این مدل دو وضعیت شبه‌پایدار برای گردابه قطبی ایجاد می‌کند: یکی با گردابه‌ای ضعیف و دیگری با گردابه‌ای قوی. گذار از وضعیت قوی به وضعیت ضعیف موجب وقوع رویدادهای گرم‌شدن ناگهانی استراتوسفر می‌شود. پژوهشگران ابتدا تأیید کردند که مدل آن‌ها، که با استفاده از یک خودرمزگذار واریاسیونی شرطی ساخته شده بود، هر دو وضعیت قوی و ضعیف را بازتولید می‌کند. سپس برای درک بهتر نحوه بازنمایی این ویژگی‌ها در مدل، تحلیل مؤلفه‌های اصلی را انجام دادند. نتیجه این تحلیل، شناسایی چهار خوشه با تفسیرپذیری فیزیکی بود که وضعیت‌های قوی و ضعیف و همچنین مسیرهای گذار میان آن‌ها را نشان می‌دادند.
به گفته پژوهشگران، در دل این خوشه‌ها نشانه‌ای نهفته است که به‌روشنی قابل تفسیر است و می‌تواند پیش‌بینی کند که آیا اختلال در گردابه قطبی در آستانه وقوع قرار دارد یا خیر. این یافته نشان می‌دهد که دانشمندان می‌توانند از این مدل یادگیری ماشین برای بهبود پیش‌بینی زمان وقوع رویدادهای گرم‌شدن ناگهانی استراتوسفر در دنیای واقعی استفاده کنند. پژوهشگران همچنین می‌گویند کار آن‌ها نشان می‌دهد که می‌توان ویژگی‌های پیچیده جو را با کمک هوش مصنوعی مدل‌سازی کرد و شناخت.
مجله پژوهش‌های ژئوفیزیکی: یادگیری ماشین و محاسبات، https://doi.org/10.1029/2026JH001387، ۲۰۲۶.
— ناتانیل شارپینگ (@nathanielscharp)، نویسنده حوزه علم.
ارجاع: Scharping, N. (2026), Using machine learning techniques for polar vortex predictions, Eos, 107, https://doi.org/10.1029/2026EO260332. منتشرشده در ۲۰ اکتبر ۲۰۲۶.
متن © ۲۰۲۶، اتحادیه ژئوفیزیک آمریکا (AGU). مجوز کرییتیو کامنز انتساب–غیرتجاری–بدون‌اقتباس ۳.۰ ایالات متحده. جز در مواردی که خلاف آن ذکر شده باشد، تصاویر مشمول حق نشر هستند. استفاده مجدد از آن‌ها بدون اجازه صریح صاحب حق نشر ممنوع است.