آیا هوش مصنوعی پیش‌بینی‌های هواشناسی را بهتر می‌کند؟
نوشته استیون بیچ
پیش‌بینی‌های هواشناسی که دو تا شش هفته آینده را هدف می‌گیرند، به لطف هوش مصنوعی دقیق‌تر شده‌اند.
یک روش جدید مبتنی بر یادگیری ماشین، رکوردهای تازه‌ای در بازه زمانی مهم دو تا شش هفته‌ای برای برنامه‌ریزی‌های اضطراری ثبت کرده است.
پژوهشگران آمریکایی این مدل را توسعه داده‌اند؛ مدلی که یاد می‌گیرد خطاهای مدل‌های موجود پیش‌بینی هوا را اصلاح کند تا خروجی آن‌ها در بازه زمانی دو تا شش هفته‌ای دقیق‌تر شود.
وقتی این روش روی یک مدل استاندارد و معتبر پیش‌بینی هوا اعمال شد، دقت پیش‌بینی‌ها در این بازه زمانی دو برابر شد و در یک رقابت بین‌المللی معتبر پیش‌بینی هوا رتبه نخست را به دست آورد.
دانشمندان می‌گویند این روش می‌تواند به کشاورزان، فعالان حوزه انرژی و نیروهای امدادی در سراسر جهان زمان بیشتری برای آمادگی در برابر طوفان‌ها بدهد.
پیش‌بینی وضعیت هوا برای بیش از دو هفته آینده، همواره بسیار غیرقابل اعتماد بوده است.
اما این تکنیک جدید که در مجله Nature توصیف شده، پیش‌بینی هوا را برای بازه‌های بیش از دو هفته بهبود می‌دهد و برای نخستین بار میانگین‌های اقلیمی را در بازه دو تا شش هفته پشت سر می‌گذارد.
جودا کوهن، یکی از نویسندگان مطالعه، گفت: «این روش نه‌تنها در پیش‌بینی‌های میانگین زمانی برای این بازه عملکرد بهتری دارد؛ چیزی که برای کشاورزان و فعالان صنعت انرژی که تلاش می‌کنند عرضه را با تقاضا هماهنگ کنند بسیار مفید است، بلکه پیش‌بینی رویدادهای آب‌وهوایی شدید مانند سیل، موج‌های سرمایی یا موارد دیگر را نیز بهبود می‌دهد.»
کوهن، اقلیم‌شناس در مؤسسه فناوری ماساچوست (MIT)، افزود: «پیش‌بینی هر دو مورد بسیار مهم است، اما رویدادهای شدید جوی شاید بیشترین تأثیر را برای جامعه داشته باشند.»
ادوارد لورنز، استاد MIT، نخستین بار مفهوم نظریه آشوب را برای توضیح این موضوع مطرح کرد که تغییرات کوچک در شرایط اولیه هوا چگونه می‌توانند به نتایج کاملاً متفاوتی منجر شوند.
کوهن گفت: «او یک محدودیت نظری دو هفته‌ای مطرح کرد که بر اساس آن، پس از این بازه دیگر نمی‌توانیم هوا را پیش‌بینی کنیم، زیرا نویز موجود در سامانه آن‌قدر افزایش می‌یابد که هر سیگنال اولیه را از بین می‌برد.»
او افزود: «این دیدگاه تأثیر زیادی بر این حوزه گذاشت و شاید باعث شد پژوهشگران کمتر به بررسی پیش‌بینی‌های فراتر از دو هفته بپردازند.»
کوهن گفت: «من هیچ‌گاه کاملاً به این موضوع باور نداشتم. از نظر نظری، جو می‌تواند تعداد بی‌نهایتی الگو ایجاد کند، اما معمولاً به الگوهای مشخصی بازمی‌گردد که بارها تکرار می‌شوند.»
او ادامه داد: «وقتی یک اتفاق رخ می‌دهد، فکر می‌کنم می‌توان پیش‌بینی کرد دومینویی که پس از آن می‌افتد چیست و بعدی چه خواهد بود.»
به گفته او، بهترین پیش‌بینی‌های هواشناسی امروز یا از مدل‌های دینامیکی به دست می‌آیند که با شبیه‌سازی عددی، تغییرات جو و اقیانوس‌ها را در طول زمان دنبال می‌کنند، یا از مدل‌های هوش مصنوعی که با یادگیری از داده‌های تاریخی هوا پیش‌بینی انجام می‌دهند.
مدل‌های هوش مصنوعی در پیش‌بینی‌های کوتاه‌مدت هوا بهبودهایی نشان داده‌اند، اما در بازه‌های زمانی طولانی‌تر هنوز از مدل‌های دینامیکی ضعیف‌تر هستند.
تمرکز کوهن بر پیش‌بینی‌های دو تا شش هفته‌ای است که به آن «پیش‌بینی زیرِفصلی» گفته می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی در بازه‌های زیرِفصلی تفاوت چندانی با رفتن به کازینو و انداختن تاس ندارد.»
کوهن ایده اولیه استفاده از یادگیری ماشین برای کاهش خطاهای مدل‌های پیش‌بینی را به همکار خود لستر مکی نسبت می‌دهد؛ فردی که بیش از یک دهه با او همکاری داشته است.
او گفت: «ما یک لایه پوششی ساختیم؛ لستر آن را پس‌پردازش می‌نامد.»
کوهن افزود: «می‌دانیم مدل‌های هوش مصنوعی خطاهای زیادی دارند، بنابراین فکر کردیم شاید بتوانیم این خطاها را اندازه‌گیری و حذف کنیم.»
در حالی که برخی سامانه‌های پیش‌بینی دیگر اصلاح خطا را به شکل ساده‌تری انجام می‌دهند، لایه پس‌پردازش این تیم از هوش مصنوعی استفاده می‌کند تا از اشتباهات یک سامانه پیش‌بینی بر اساس داده‌های تاریخی یاد بگیرد و پیش‌بینی‌های آن را تغییر دهد.
در این بازه زمانی، پیش‌بینی‌کنندگان از «پیش‌بینی‌های احتمالی» استفاده می‌کنند که در آن احتمال مجموعه‌ای از نتایج مختلف ارائه می‌شود.
کوهن گفت: «هرچه پیش‌بینی‌ها و داده‌های بیشتری در دسترس قرار بگیرد، مدل ما به‌صورت تطبیقی اصلاحات خود را بهتر می‌کند.»
این تیم از ابررایانه MIT Engaging، یک خوشه محاسباتی متعلق به دفتر پژوهش‌های محاسباتی و داده MIT، استفاده کرد؛ اما مدل نهایی برای اجرا به ابررایانه نیاز ندارد.
برای آزمایش مدل، پژوهشگران سال گذشته سه مدل شامل لایه پس‌پردازش خود را به مرکز اروپایی پیش‌بینی‌های هواشناسی میان‌مدت (ECMWF) ارسال کردند.
این مرکز به‌عنوان بهترین مرکز پیش‌بینی هوا در جهان شناخته می‌شود و هر فصل رقابت‌هایی میان مدل‌های پیش‌بینی برگزار می‌کند.
مدلی که رتبه نخست را به دست آورد، مدل پیش‌بینی ECMWF را با یک مدل دیگر ترکیب کرد و سپس اصلاحات پس‌پردازشی را روی آن اعمال کرد.
این روش در نهایت توان پیش‌بینی مدل اصلی را در بازه زیرِفصلی دو برابر کرد.
این مدل برای نخستین بار نسبت به اتکا به میانگین‌های اقلیمی، بهبود عملکرد نشان داد.
کوهن گفت: «تا پیش از این، هیچ‌کس نتوانسته بود نشان دهد مدلی می‌تواند برای پیش‌بینی‌های زیرِفصلی بهتر از میانگین‌های بلندمدت عمل کند.»
او افزود: «تقریباً همه مدل‌ها بدتر از این میانگین‌ها عمل کرده بودند؛ حتی می‌توانستید با پرتاب یک سکه نتیجه بهتری بگیرید.»
کوهن گفت: «مردم این پرسش را مطرح کرده بودند که آیا اصلاً سرمایه‌گذاری روی مدل‌ها برای این بازه زمانی ارزش دارد یا نه.»
او تأکید کرد: «مدل‌های ما به‌طور مداوم میانگین‌های اقلیمی را شکست داده‌اند.»
این مدل همچنین بهبود «از نظر آماری معنادار» در توانایی پیش‌بینی آب‌وهوای شدید نشان داد.
کوهن گفت: «این یکی از مهم‌ترین یافته‌هاست، زیرا دستیابی به آن بسیار دشوار است.»
او گفت: «وقتی ECMWF اصلاح خطای غیرهوش مصنوعی خود را برای مدلش توسعه داد، توانایی پیش‌بینی آب‌وهوای شدید آن کاهش یافت.»
کوهن افزود: «فکر می‌کنم دلیلش این است که اصلاح خطای سنتی یا اصلاح سوگیری، همیشه تلاش می‌کند به میانگین برسد، در حالی که آب‌وهوای شدید در لبه احتمالات قرار دارد.»
این تیم نشان داده است که تکنیک آن‌ها می‌تواند پیش‌بینی‌های مربوط به خشکی را در بیشتر مناطق جهان بهبود دهد.
کوهن گفت: «نکته خوب درباره مدل ما این است که مانند یک لایه افزوده عمل می‌کند.»
او افزود: «ما آن را با مدل دینامیکی ECMWF استفاده کردیم، زیرا این مدل بهترین مدل موجود به شمار می‌رفت، اما این روش را می‌توان با هر مدلی به کار برد.»
او ادامه داد: «حتی مدل‌هایی را که قبلاً با یک الگوریتم هوش مصنوعی دیگر اصلاح سوگیری شده‌اند نیز بهتر می‌کند.»
کوهن گفت: «این موضوع نشان می‌دهد بهبود آن پایدار است. همچنین این روش متن‌باز و کم‌هزینه است.»
او افزود: «این روش می‌تواند برای مدیریت انرژی و شرایط اضطراری نیز مفید باشد.»
کوهن گفت: «با مسئولان حوزه انرژی صحبت کرده‌ام که می‌گویند اگر دو روز پیش از وقوع یک طوفان یخی به آن‌ها اطلاع داده شود، زمان کافی ندارند؛ اما اگر دو هفته فرصت داشته باشند، ممکن است بتوانند آمادگی مناسبی ایجاد کنند.»
این مقاله نخستین بار در talker.news، بخشی از BLOX Digital Content Exchange منتشر شده است.