آیا هوش مصنوعی پیش‌بینی‌های هواشناسی را بهتر می‌کند؟
نوشته استیون بیچ
پیش‌بینی‌های هواشناسی برای بازه‌های دو تا شش هفته آینده به لطف هوش مصنوعی دقیق‌تر شده‌اند.
پژوهشگران آمریکایی مدلی توسعه داده‌اند که با یادگیری خطاهای مدل‌های پیش‌بینی موجود، خروجی آن‌ها را اصلاح می‌کند تا دقت پیش‌بینی‌ها در بازه دو تا شش هفته افزایش یابد.
زمانی که این روش روی یک مدل استاندارد و بسیار معتبر پیش‌بینی هوا اعمال شد، دقت پیش‌بینی در این بازه زمانی دو برابر شد و این روش توانست رتبه نخست یک رقابت معتبر بین‌المللی پیش‌بینی هوا 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 دشوار و غیرقابل اعتماد بوده است.
اما این فناوری جدید که در مجله نیچر توصیف شده، پیش‌بینی هوا را برای دوره‌های بیش از دو هفته بهبود می‌دهد و برای نخستین بار توانسته میانگین‌های اقلیمی را در بازه دو تا شش هفته پشت سر بگذارد.
جودا کوهن، یکی از نویسندگان این پژوهش، گفت: «این روش نه‌تنها در پیش‌بینی‌های میانگین زمانی برای این بازه عملکرد بهتری دارد؛ موضوعی که برای کشاورزان و فعالان صنعت انرژی که تلاش می‌کنند عرضه را با تقاضا هماهنگ کنند بسیار مفید است، بلکه پیش‌بینی رویدادهای شدید جوی مانند سیل، موج‌های سرمایی یا موارد دیگر را نیز بهبود می‌دهد.»
کوهن، اقلیم‌شناس در مؤسسه فناوری ماساچوست (MIT)، افزود: «پیش‌بینی هر دو مورد اهمیت زیادی دارد، اما رویدادهای شدید شاید بیشترین تأثیر را برای جامعه داشته باشند.»
ادوارد لورنتس، استاد MIT، نخستین بار ایده نظریه آشوب را برای توضیح این موضوع مطرح کرد که تغییرات بسیار کوچک در شرایط اولیه آب‌وهوا می‌توانند به نتایج کاملاً متفاوتی منجر شوند.
کوهن گفت: «او یک محدودیت نظری دو هفته‌ای مطرح کرد که بر اساس آن، پس از این مدت 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 برخی پژوهشگران از بررسی پیش‌بینی‌های فراتر از دو هفته فاصله بگیرند.»
کوهن گفت: «من هیچ‌گاه کاملاً به این محدودیت باور نداشتم. از نظر نظری، جو می‌تواند تعداد بی‌نهایتی الگو ایجاد کند، اما تمایل دارد بارها به الگوهای خاصی بازگردد.»
او ادامه داد: «وقتی یک اتفاق رخ می‌دهد، فکر می‌کنم می‌توان پیش‌بینی کرد دومینویی که پس از آن سقوط می‌کند چیست و بعدی چه خواهد بود.»
به گفته او، بهترین پیش‌بینی‌های هواشناسی امروز یا از مدل‌های دینامیکی به دست می‌آیند که با شبیه‌سازی عددی روند تکامل جو و اقیانوس‌ها کار می‌کنند، یا از مدل‌های هوش مصنوعی که با یادگیری داده‌های تاریخی هواشناسی پیش‌بینی انجام می‌دهند.
مدل‌های هوش مصنوعی در پیش‌بینی‌های کوتاه‌مدت هوا پیشرفت‌هایی داشته‌اند، اما در بازه‌های زمانی طولانی‌تر همچنان از مدل‌های دینامیکی ضعیف‌تر هستند.
تمرکز کوهن بر پیش‌بینی هوا در بازه دو تا شش هفته آینده است که به آن پیش‌بینی زیر‌فصلی گفته می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی در بازه‌های زیر‌فصلی تفاوت چندانی با رفتن به کازینو و انداختن تاس ندارد.»
By Talker
کوهن اعتبار ایده اولیه استفاده از یادگیری ماشین برای کاهش خطاهای مدل‌های پیش‌بینی را به همکارش لستر مکی نسبت می‌دهد که بیش از یک دهه با او همکاری داشته است.
او گفت: «ما این لایه را ساختیم؛ لستر آن را پس‌پردازش می‌نامد.»
«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 از اصلاحات ساده‌تر خطا استفاده می‌کنند، لایه پس‌پردازش این تیم با استفاده از هوش مصنوعی از اشتباهات سامانه پیش‌بینی بر اساس داده‌های تاریخی یاد می‌گیرد و خروجی پیش‌بینی را تغییر می‌دهد.
در این بازه زمانی، پیش‌بینی‌کنندگان از «پیش‌بینی‌های احتمالی» استفاده می‌کنند که در آن احتمال وقوع طیفی از نتایج ممکن ارائه می‌شود.
کوهن گفت: «هرچه پیش‌بینی‌ها و داده‌های بیشتری در دسترس قرار گیرد، مدل ما به‌صورت تطبیقی اصلاحات خود را بهتر می‌کند.»
این تیم از خوشه ابررایانشی MIT Engaging که توسط دفتر پژوهش‌های محاسباتی و داده MIT میزبانی می‌شود 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 میان‌مدت هوا (ECMWF) ارسال کردند.
این مرکز به‌عنوان بهترین مرکز پیش‌بینی هوا در جهان شناخته می‌شود و هر فصل رقابت‌هایی میان مدل‌های پیش‌بینی برگزار می‌کند.
By Talker
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 رویکرد در نهایت توان پیش‌بینی مدل اصلی را در بازه زیر‌فصلی دو برابر کرد.
این مدل برای نخستین بار توانست نسبت به تکیه بر میانگین‌های اقلیمی، بهبود قابل توجهی نشان دهد.
کوهن گفت: «تا پیش از این، هیچ‌کس نتوانسته بود نشان دهد مدلی می‌تواند در پیش‌بینی‌های زیر‌فصلی بهتر از میانگین‌های بلندمدت عمل کند.»
او افزود: «تقریباً همه مدل‌ها عملکردی بدتر از آن داشتند؛ حتی با پرتاب یک سکه هم می‌توانستید نتیجه بهتری بگیرید.»
«مردم پرسیده بودند که آیا اصلاً سرمایه‌گذاری روی مدل‌ها برای این بازه زمانی ارزش دارد یا نه.»
«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.»
By Talker
او گفت: «وقتی ECMWF اصلاح خطای غیرهوش مصنوعی خود را برای مدلش توسعه داد، توانایی آن در پیش‌بینی آب‌وهوای شدید کاهش یافت.»
«فکر می‌کنم دلیل آن این است که اصلاح خطای سنتی یا اصلاح سوگیری، همیشه تلاش می‌کند به سمت میانگین حرکت کند، در حالی که آب‌وهوای شدید در بخش دور از مرکز توزیع احتمالات قرار دارد.»
این تیم نشان داده است که روش آن‌ها می‌تواند پیش‌بینی‌های مربوط به خشکی زمین را در بیشتر مناطق جهان بهبود دهد.
کوهن گفت: «ویژگی خوب مدل ما این است که مانند یک لایه افزوده عمل می‌کند.»
«ما آن را همراه با مدل دینامیکی ECMWF استفاده کردیم، زیرا این مدل بهترین نمونه در نظر گرفته می‌شد، اما این روش می‌تواند با هر مدلی استفاده شود.»
«حتی مدل‌هایی را که قبلاً با الگوریتم هوش مصنوعی دیگری اصلاح سوگیری شده‌اند نیز بهتر می‌کند.»
«بنابراین بهبود آن پایدار است. این فناوری متن‌باز و کم‌هزینه نیز هست.»
او افزود: «این روش می‌تواند برای مدیریت انرژی و شرایط اضطراری نیز مفید باشد.»
«با مسئولان حوزه انرژی صحبت کرده‌ام که می‌گویند اگر دو روز قبل به من اطلاع دهند که طوفان یخی در راه است، زمان کافی ندارم؛ اما اگر دو هفته فرصت داشته باشم، می‌توانم آمادگی مناسبی ایجاد کنم.»