آیا هوش مصنوعی پیش‌بینی‌های هواشناسی را بهتر می‌کند؟
استفان 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 پیش‌بینی هوا را در بازه زمانی مهم برای برنامه‌ریزی شرایط اضطراری بهبود داده است.
پژوهشگران آمریکایی مدلی توسعه داده‌اند که با یادگیری خطاهای مدل‌های پیش‌بینی موجود، خروجی آن‌ها را برای دوره زمانی دو تا شش هفته‌ای دقیق‌تر می‌کند.
وقتی این روش روی یک مدل پیش‌بینی معتبر اعمال شد، دقت پیش‌بینی در این بازه زمانی دو برابر شد و این روش توانست در یک رقابت معتبر بین‌المللی پیش‌بینی هواشناسی رتبه نخست را به دست آورد.
دانشمندان می‌گویند این روش جدید می‌تواند به کشاورزان، فعالان حوزه انرژی و نیروهای امدادی در سراسر جهان زمان بیشتری بدهد تا برای طوفان‌ها بهتر آماده شوند.
پیش‌بینی‌های هواشناسی برای دوره‌های طولانی‌تر از دو هفته، به‌طور معمول بسیار غیرقابل اعتماد هستند.
اما این تکنیک جدید که در مجله Nature توصیف شده است، پیش‌بینی هوا را فراتر از دو هفته بهبود می‌دهد و برای نخستین بار در بازه دو تا شش هفته‌ای توانسته عملکردی بهتر از میانگین‌های اقلیمی داشته باشد.
جودا کوهن، یکی از نویسندگان این پژوهش، گفت: «این روش نه‌تنها در پیش‌بینی‌های میانگین زمانی برای این بازه بهتر عمل می‌کند؛ 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، دوره‌های سرمای شدید 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 ممکن است بیشترین تأثیر را برای جامعه داشته باشند.»
ادوارد لورنتس، استاد MIT، نخستین بار مفهوم 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 این محدودیت نظری دو هفته‌ای را 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 پژوهشگران کمتر به بررسی پیش‌بینی‌های فراتر از دو هفته فکر کنند.»
کوهن گفت: «من هیچ‌وقت کاملاً به این موضوع باور نداشتم. از نظر نظری، جو می‌تواند تعداد بی‌نهایتی از الگوها را ایجاد کند، اما معمولاً به الگوهای مورد علاقه‌ای بازمی‌گردد که بارها تکرار می‌شوند.»
او ادامه داد: «وقتی یک اتفاق رخ می‌دهد، فکر می‌کنم می‌توان پیش‌بینی کرد که مهره بعدی دومینو چه خواهد بود و پس از آن چه اتفاقی می‌افتد.»
به گفته او، بهترین پیش‌بینی‌های هواشناسی امروز یا از طریق مدل‌های دینامیکی انجام می‌شوند که تکامل عددی جو و اقیانوس‌ها را در طول زمان شبیه‌سازی می‌کنند، یا از طریق مدل‌های هوش مصنوعی که با استفاده از داده‌های تاریخی هواشناسی، پیش‌بینی را یاد می‌گیرند.
مدل‌های هوش مصنوعی در پیش‌بینی کوتاه‌مدت هوا پیشرفت‌هایی نشان داده‌اند، اما در بازه‌های زمانی طولانی‌تر همچنان عملکردی ضعیف‌تر از مدل‌های دینامیکی دارند.
تمرکز کوهن بر پیش‌بینی هوا دو تا شش هفته پیش از وقوع آن است؛ دوره‌ای که با عنوان پیش‌بینی زیر‌فصلی شناخته می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی در بازه‌های زیر‌فصلی تفاوت چندانی با رفتن به کازینو و انداختن تاس ندارد.»
کوهن 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 یک لایه پوششی 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 دیگر سامانه‌های پیش‌بینی از اصلاح‌های ساده‌تر خطا استفاده می‌کنند، لایه پس‌پردازش تیم پژوهشی با استفاده از هوش مصنوعی از اشتباهات یک سامانه پیش‌بینی بر اساس داده‌های تاریخی یاد می‌گیرد و پیش‌بینی‌های آن را تغییر می‌دهد.
در این بازه زمانی، پیش‌بین‌ها 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 گیرد، مدل ما به‌صورت تطبیقی اصلاحات خود را بهتر می‌کند.»
این تیم از خوشه ابررایانه‌ای MIT Engaging که توسط دفتر محاسبات پژوهشی و داده‌های MIT میزبانی می‌شود استفاده کرد، اما مدل نهایی برای اجرا به ابررایانه نیاز ندارد.
برای آزمایش مدل، پژوهشگران سال گذشته سه مدل را که شامل لایه پس‌پردازش آن‌ها بود، به مرکز اروپایی پیش‌بینی‌های هواشناسی میان‌مدت (ECMWF) ارائه کردند.
این مرکز به‌عنوان بهترین مرکز پیش‌بینی هواشناسی 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 اصلاح 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 نسبت به اتکا به میانگین‌های اقلیمی، بهبود عملکرد نشان داد.
کوهن گفت: «تا امروز، هیچ‌کس نتوانسته بود نشان دهد یک مدل در پیش‌بینی‌های زیر‌فصلی بهتر از میانگین‌های بلندمدت عمل می‌کند.»
او افزود: «تقریباً همه مدل‌ها بدتر از آن عمل کرده بودند؛ حتی با انداختن یک سکه هم می‌توانستید نتیجه بهتری بگیرید.»
«به همین دلیل برخی پرسیده بودند 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.»
او افزود: «وقتی ECMWF اصلاح خطای غیرهوش مصنوعی خود را برای مدلش توسعه داد، توانایی آن در پیش‌بینی آب‌وهوای شدید کاهش یافت.»
«فکر می‌کنم دلیلش این است که اصلاح خطا یا سوگیری سنتی همیشه تلاش می‌کند به میانگین برسد، در حالی که آب‌وهوای شدید در حاشیه 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: «ویژگی خوب مدل ما این است که مانند یک لایه افزوده عمل می‌کند.»
«ما از آن همراه با مدل دینامیکی ECMWF استفاده کردیم، زیرا آن را بهترین مدل می‌دانستیم، اما این روش را می‌توان با هر مدلی به کار برد.»
«حتی مدل‌هایی را که پیش‌تر با الگوریتم هوش مصنوعی دیگری اصلاح سوگیری شده‌اند، بهتر می‌کند.»
«بنابراین نشان می‌دهد که بهبود آن پایدار است. این روش متن‌باز و کم‌هزینه است.»
او اضافه کرد: «این روش می‌تواند برای انرژی و مدیریت شرایط اضطراری نیز مفید باشد.»
«با مقام‌های حوزه انرژی صحبت کرده‌ام که می‌گویند اگر دو روز پیش از وقوع یک طوفان یخ‌زده به آن‌ها اطلاع داده شود، زمان کافی ندارند؛ اما اگر دو هفته فرصت داشته باشند، می‌توانند آمادگی مناسبی ایجاد کنند.»
Originally published on talker.news, part of the BLOX Digital Content Exchange.