آیا هوش مصنوعی پیش‌بینی وضعیت هوا را دقیق‌تر کرده است؟
به گزارش تاکر نیوز، ۱۴ اکتبر ۲۰۲۶
نویسنده: استیون بیچ
به لطف هوش مصنوعی، دقت پیش‌بینی وضعیت هوا برای بازه زمانی دو تا شش هفته آینده در حال افزایش است.
یک روش جدید مبتنی بر یادگیری ماشین توانسته است رکوردهای پیش‌بینی هوا را در بازه‌ای زمانی بشکند که برای برنامه‌ریزی و آمادگی در شرایط اضطراری اهمیت ویژه‌ای دارد.
پژوهشگران آمریکایی مدلی طراحی کرده‌اند که می‌آموزد چگونه خطاهای مدل‌های پیش‌بینی موجود را اصلاح کند و به این ترتیب، دقت خروجی آن‌ها را برای بازه دو تا شش هفته آینده افزایش دهد.
وقتی پژوهشگران این روش را روی یکی از معتبرترین مدل‌های پیش‌بینی هوا به کار گرفتند، دقت پیش‌بینی در این بازه زمانی دو برابر شد. این دستاورد همچنین رتبه نخست یکی از رقابت‌های معتبر بین‌المللی پیش‌بینی هوا را برای آن‌ها به همراه داشت.
دانشمندان می‌گویند این روش جدید می‌تواند به کشاورزان، فعالان صنعت انرژی و سازمان‌های امدادی در سراسر جهان فرصت بیشتری بدهد تا برای مواجهه با طوفان‌ها آماده شوند.
پیش‌بینی وضعیت هوا برای بیش از دو هفته آینده همواره به غیرقابل‌اعتماد بودن شهرت داشته است.
بااین‌حال، روش جدیدی که جزئیات آن در نشریه علمی نیچر منتشر شده، توانسته است دقت پیش‌بینی‌های بلندتر از دو هفته را بهبود دهد. این روش برای نخستین بار در بازه دو تا شش هفته، عملکردی بهتر از پیش‌بینی‌های مبتنی بر میانگین‌های اقلیمی ثبت کرده است.
جودا کوهن، یکی از نویسندگان این پژوهش، گفت: «این روش نه‌تنها پیش‌بینی‌های مبتنی بر میانگین‌گیری زمانی را در این بازه دقیق‌تر می‌کند، که به‌خودی‌خود برای کشاورزان و فعالان صنعت انرژی که می‌کوشند عرضه را با تقاضا هماهنگ کنند بسیار ارزشمند است، بلکه پیش‌بینی رویدادهای شدید جوی، از سیل و دوره‌های سرمای شدید گرفته تا دیگر پدیده‌های حدی، را نیز بهبود می‌بخشد.»
کوهن، اقلیم‌شناس مؤسسه فناوری ماساچوست (MIT)، افزود: «پیش‌بینی دقیق هر دو مورد بسیار مهم است، اما شاید توانایی پیش‌بینی رویدادهای شدید جوی، از نظر تأثیری که بر جامعه می‌گذارد، مهم‌ترین بخش این دستاورد باشد.»
ادوارد لورنتس، استاد مؤسسه فناوری ماساچوست، نخستین کسی بود که نظریه آشوب را برای توضیح این پدیده مطرح کرد که چگونه تغییراتی بسیار کوچک در شرایط اولیه جو می‌توانند به نتایجی کاملاً متفاوت منجر شوند.
کوهن توضیح داد: «لورنتس بر اساس این نظریه، محدودیتی دو هفته‌ای برای پیش‌بینی هوا مطرح کرد. به این معنا که پس از دو هفته دیگر نمی‌توان وضعیت هوا را پیش‌بینی کرد، زیرا اختلالات و نوسان‌های موجود در سامانه آن‌قدر افزایش می‌یابند که هر سیگنال اولیه‌ای را تحت‌الشعاع قرار می‌دهند.»
او ادامه داد: «این دیدگاه تأثیر عمیقی بر حوزه هواشناسی گذاشت و شاید باعث شد پژوهشگران کمتر به سراغ بررسی امکان پیش‌بینی وضعیت هوا برای دوره‌های طولانی‌تر از دو هفته بروند.»
کوهن گفت: «من هیچ‌وقت این دیدگاه را به‌طور کامل قبول نداشتم. از نظر نظری، جو زمین می‌تواند بی‌نهایت الگوی مختلف ایجاد کند، اما در عمل تمایل دارد بارها و بارها به الگوهای مشخص و تکرارشونده بازگردد.»
او افزود: «به اعتقاد من، وقتی یک رویداد اتفاق می‌افتد، می‌توان پیش‌بینی کرد که در ادامه چه رویدادی رخ خواهد داد و پس از آن چه اتفاق دیگری به وقوع خواهد پیوست؛ درست مانند ردیفی از دومینوها که یکی پس از دیگری می‌افتند.»
به گفته کوهن، دقیق‌ترین پیش‌بینی‌های هواشناسی امروز از دو نوع مدل به دست می‌آیند: مدل‌های دینامیکی که تغییرات جو و اقیانوس‌ها را در طول زمان با محاسبات عددی شبیه‌سازی می‌کنند و مدل‌های هوش مصنوعی که با یادگیری از داده‌های تاریخی هواشناسی، وضعیت آینده را پیش‌بینی می‌کنند.
مدل‌های هوش مصنوعی در پیش‌بینی‌های کوتاه‌مدت هوا پیشرفت‌هایی نشان داده‌اند، اما عملکرد آن‌ها در بازه‌های زمانی طولانی‌تر حتی از مدل‌های دینامیکی نیز ضعیف‌تر است.
تمرکز پژوهشی کوهن بر پیش‌بینی وضعیت هوا برای دو تا شش هفته آینده است؛ حوزه‌ای که در هواشناسی با عنوان «پیش‌بینی زیر‌فصلی» شناخته می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی وضعیت هوا 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 متعلق به لستر مکی، دیگر نویسنده این پژوهش، می‌داند؛ پژوهشگری که بیش از یک دهه است با او همکاری می‌کند.
کوهن گفت: «ما یک لایه مکمل برای مدل‌های پیش‌بینی ساختیم که لستر آن را پس‌پردازش می‌نامد.»
او توضیح داد: «می‌دانستیم مدل‌های هوش مصنوعی خطاهای زیادی دارند. بنابراین با خودمان فکر کردیم شاید بتوانیم این خطاها را اندازه‌گیری و سپس حذف کنیم.»
برخی سامانه‌های پیش‌بینی هوا نیز خطاها را اصلاح می‌کنند، اما این کار را با روش‌هایی ساده‌تر انجام می‌دهند. در مقابل، لایه پس‌پردازش طراحی‌شده توسط این گروه پژوهشی از هوش مصنوعی استفاده می‌کند تا بر اساس داده‌های تاریخی، خطاهای گذشته سامانه پیش‌بینی را شناسایی کند، از آن‌ها بیاموزد و پیش‌بینی‌های جدید را متناسب با این آموخته‌ها اصلاح کند.
در بازه زمانی دو تا شش هفته، هواشناسان از روش‌هایی موسوم به «پیش‌بینی احتمالاتی» استفاده می‌کنند که به‌جای اعلام یک نتیجه قطعی، احتمال وقوع مجموعه‌ای از وضعیت‌های مختلف جوی را مشخص می‌کنند.
کوهن گفت: «هرچه پیش‌بینی‌ها و داده‌های بیشتری در دسترس قرار بگیرند، مدل ما نیز به‌صورت تطبیقی عملکرد خود را در اصلاح خطاها بهبود می‌دهد.»
این گروه برای انجام پژوهش از سامانه MIT Engaging، یک خوشه ابررایانشی تحت مدیریت دفتر محاسبات و داده‌های پژوهشی مؤسسه فناوری ماساچوست، استفاده کرد. بااین‌حال، اجرای مدل نهایی به ابررایانه نیاز ندارد.
پژوهشگران برای ارزیابی عملکرد روش خود، سال گذشته سه مدل مجهز به لایه پس‌پردازش را به مرکز اروپایی پیش‌بینی‌های میان‌مدت هوا (ECMWF) ارائه کردند.
این مرکز که از آن به‌عنوان برترین مرکز پیش‌بینی هوا در جهان یاد می‌شود، هر فصل رقابت‌هایی برای مقایسه عملکرد مدل‌های مختلف برگزار می‌کند.
مدلی که رتبه نخست این رقابت را به دست آورد، از ترکیب مدل پیش‌بینی مرکز اروپایی با یک مدل دیگر ساخته شده بود و سپس لایه اصلاح خطای پس‌پردازش نیز به آن اضافه شده بود.
این ترکیب در نهایت توانست توان پیش‌بینی مدل اولیه را در بازه زیر‌فصلی دو برابر کند.
این مدل همچنین برای نخستین بار عملکردی بهتر از روش اتکا به میانگین‌های اقلیمی ارائه داد.
کوهن گفت: «تا پیش از این، هیچ‌کس نتوانسته بود نشان دهد که یک مدل در پیش‌بینی وضعیت هوا در بازه‌های زیر‌فصلی، عملکردی بهتر از میانگین‌های بلندمدت دارد.»
او ادامه داد: «تقریباً همه مدل‌ها از این میانگین‌ها ضعیف‌تر بودند؛ تا جایی که حتی با شیر یا خط انداختن هم می‌شد نتیجه بهتری گرفت.»
کوهن افزود: «بعضی‌ها حتی این پرسش را مطرح کرده بودند که آیا اساساً سرمایه‌گذاری روی مدل‌های پیش‌بینی برای چنین بازه زمانی ارزش دارد یا نه.»
او تأکید کرد: «اما مدل‌های ما به‌طور مداوم عملکردی بهتر از میانگین‌های اقلیمی ثبت می‌کنند.»
این مدل همچنین در توانایی پیش‌بینی رویدادهای شدید جوی بهبودی نشان داد که از نظر آماری معنادار بود.
کوهن گفت: «این یکی از مهم‌ترین یافته‌های پژوهش است، زیرا دستیابی به چنین بهبودی بسیار دشوار است.»
او توضیح داد: «وقتی مرکز اروپایی پیش‌بینی‌های میان‌مدت هوا روش اختصاصی خود را برای اصلاح خطاهای مدلش توسعه داد که مبتنی بر هوش مصنوعی نبود، توانایی آن مدل در پیش‌بینی رویدادهای شدید جوی بدتر شد.»
کوهن افزود: «فکر می‌کنم دلیلش این است که روش‌های سنتی اصلاح خطا یا سوگیری همواره تلاش می‌کنند پیش‌بینی‌ها را به میانگین نزدیک کنند، درحالی‌که رویدادهای شدید جوی در بخش‌های انتهایی توزیع احتمال قرار می‌گیرند.»
این گروه پژوهشی نشان داده است که روش جدید می‌تواند پیش‌بینی وضعیت هوا در مناطق خشکی را در بیشتر نقاط جهان بهبود دهد.
کوهن گفت: «مزیت مدل ما این است که به‌صورت یک لایه مکمل به مدل‌های دیگر اضافه می‌شود.»
او ادامه داد: «ما آن را همراه با مدل دینامیکی مرکز اروپایی پیش‌بینی‌های میان‌مدت هوا به کار گرفتیم، چون این مدل بهترین مدل موجود شناخته می‌شد؛ اما روش ما را می‌توان روی هر مدل دیگری نیز اجرا کرد.»
کوهن افزود: «این روش حتی عملکرد مدل‌هایی را که پیش‌تر با یک الگوریتم هوش مصنوعی دیگر اصلاح سوگیری شده‌اند، بهبود می‌دهد.»
او تأکید کرد: «بنابراین، این روش در شرایط مختلف بهبودی قابل‌اتکا ایجاد می‌کند. علاوه بر این، متن‌باز و کم‌هزینه است.»
کوهن در ادامه گفت: «این فناوری می‌تواند برای مدیریت انرژی و شرایط اضطراری نیز مفید باشد.»
او افزود: «با مسئولان حوزه انرژی صحبت کرده‌ام که می‌گویند: اگر فقط دو روز قبل به من اطلاع دهند که طوفان یخی در راه است، فرصت کافی برای آماده شدن ندارم؛ اما اگر دو هفته زودتر از آن باخبر شوم، شاید بتوانم اقدامات لازم را برای آمادگی مناسب انجام دهم.»
این گزارش نخستین بار در وب‌سایت تاکر نیوز، از مجموعه شبکه تبادل محتوای دیجیتال BLOX، منتشر شده است.