یادگیری ماشین نشانه‌ای هشداردهنده برای اختلال در گردابه قطبی شناسایی کرد
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 چنین شرایطی، موج‌هایی از هوای بسیار سرد به عرض‌های جغرافیایی پایین‌تر از حد معمول نفوذ می‌کنند و دمای هوا در بخش‌هایی از آمریکای شمالی و اروپا به‌شدت کاهش می‌یابد. بااین‌حال، پیش‌بینی این رویدادها همچنان دشوار است و به همین دلیل، هشدار دادن به مردم پیش از وقوع آن‌ها آسان نیست.
بوسکو و همکارانش با استفاده از یک روش یادگیری ماشین، رفتار رویدادهای گرم‌شدن ناگهانی استراتوسفر را از طریق یک شبیه‌سازی فیزیک‌محور آموزش دادند؛ شبیه‌سازی‌ای که پویایی‌های مهم جو را بازتولید می‌کند. این روش امکان اجرای سریع‌تر شبیه‌سازی‌های گردابه قطبی را فراهم کرد. پژوهشگران در گام بعدی، خود مدل یادگیری ماشین را تحلیل کردند تا دریابند این مدل جنبه‌های مختلف گردابه قطبی را چگونه بازنمایی می‌کند. نتایج این پژوهش در مجله Journal of Geophysical Research: Machine Learning and Computation منتشر شده است.
پژوهشگران مدل خود را با استفاده از مدل هولتون–مس (Holton–Mass) آموزش دادند؛ مدلی که تغییرپذیری استراتوسفر را شبیه‌سازی می‌کند و برای گردابه قطبی دو وضعیت شبه‌پایدار در نظر می‌گیرد: یکی ضعیف و دیگری قوی. گذار گردابه از وضعیت قوی به وضعیت ضعیف، عامل وقوع رویدادهای گرم‌شدن ناگهانی استراتوسفر است.
پژوهشگران ابتدا بررسی کردند که آیا مدل آن‌ها، که با استفاده از یک خودرمزگذار تغییرپذیر شرطی ساخته شده بود، می‌تواند هر دو وضعیت قوی و ضعیف را بازتولید کند یا نه. سپس برای درک بهتر نحوه بازنمایی این ویژگی‌ها در مدل، تحلیل مؤلفه‌های اصلی را انجام دادند. آن‌ها چهار خوشه با قابلیت تفسیر فیزیکی شناسایی کردند که وضعیت‌های قوی و ضعیف و همچنین مسیرهای گذار میان این دو وضعیت را نشان می‌دادند.
به گفته پژوهشگران، در دل این خوشه‌ها نشانه‌ای وجود دارد که می‌توان آن را به‌روشنی تفسیر کرد و از آن برای پیش‌بینی نزدیک بودن اختلال در گردابه قطبی بهره گرفت. این یافته نشان می‌دهد که می‌توان از مدل یادگیری ماشین برای پیش‌بینی بهتر زمان وقوع رویدادهای آینده گرم‌شدن ناگهانی استراتوسفر در جو واقعی استفاده کرد. پژوهشگران همچنین می‌گویند نتایج کار آن‌ها نشان می‌دهد که هوش مصنوعی می‌تواند ویژگی‌های پیچیده جو را نه‌تنها مدل‌سازی کند، بلکه امکان درک و تفسیر آن‌ها را نیز فراهم آورد.
اطلاعات بیشتر
C. Daniel Boscu و همکاران، «شبیه‌سازی هوش مصنوعی از گرم‌شدن ناگهانی تصادفی استراتوسفر با ساختار نهفته قابل تفسیر»، Journal of Geophysical Research: Machine Learning and Computation (۲۰۲۶). شناسه دیجیتال: 10.1029/2026jh001387
این مطلب با اجازه Eos، نشریه وابسته به اتحادیه ژئوفیزیک آمریکا، بازنشر شده است. نسخه اصلی مقاله را بخوانید.