آیا هوش مصنوعی پیش‌بینی‌های هواشناسی را دقیق‌تر می‌کند؟
نویسنده: استیون بیچ
۱۴ اکتبر ۲۰۲۶ | تاکر نیوز
هوش مصنوعی به دقیق‌تر شدن پیش‌بینی‌های هواشناسی برای بازه دو تا شش هفته آینده کمک کرده است.
پژوهشگران با توسعه روشی تازه مبتنی بر یادگیری ماشین توانسته‌اند رکوردهای پیش‌بینی وضعیت هوا را در بازه‌ای زمانی بشکنند که برای برنامه‌ریزی و آمادگی در شرایط اضطراری اهمیت زیادی دارد.
این مدل که به دست پژوهشگران آمریکایی ساخته شده، یاد می‌گیرد خطاهای مدل‌های پیش‌بینی موجود را شناسایی و اصلاح کند تا نتایج آن‌ها برای دو تا شش هفته آینده دقیق‌تر شود.
پژوهشگران با به‌کارگیری این روش در یکی از معتبرترین مدل‌های پیش‌بینی هواشناسی توانستند دقت پیش‌بینی‌ها را در این بازه زمانی دو برابر کنند. این دستاورد همچنین رتبه نخست یکی از رقابت‌های معتبر بین‌المللی پیش‌بینی هواشناسی را برای آن‌ها به همراه داشت.
دانشمندان می‌گویند این روش می‌تواند به کشاورزان، فعالان صنعت انرژی و سازمان‌های امدادی در سراسر جهان فرصت بیشتری بدهد تا برای رویارویی با طوفان‌ها آماده شوند.
پیش‌بینی وضعیت هوا برای بیش از دو هفته آینده همواره با عدم قطعیت فراوان همراه بوده و به غیرقابل اعتماد بودن شهرت داشته است.
اما روش جدید که جزئیات آن در نشریه علمی نیچر منتشر شده، دقت پیش‌بینی‌های فراتر از دو هفته را افزایش داده است. این روش برای نخستین بار توانسته در بازه دو تا شش هفته، عملکردی بهتر از پیش‌بینی بر اساس میانگین‌های اقلیمی داشته باشد.
جودا کوهن، یکی از نویسندگان این پژوهش، گفت: «این روش نه‌تنها پیش‌بینی‌های مربوط به میانگین وضعیت هوا در این بازه زمانی را دقیق‌تر می‌کند، که به‌خودی‌خود برای کشاورزان و فعالان صنعت انرژی که می‌خواهند عرضه را با تقاضا هماهنگ کنند بسیار ارزشمند است، بلکه پیش‌بینی رویدادهای شدید جوی، از سیل و دوره‌های سرمای شدید گرفته تا سایر پدیده‌های حدی آب‌وهوایی، را نیز بهبود می‌بخشد.»
کوهن که اقلیم‌شناس مؤسسه فناوری ماساچوست (MIT) است، افزود: «پیش‌بینی دقیق هر دو مورد اهمیت زیادی دارد، اما احتمالاً مهم‌ترین تأثیر اجتماعی این دستاورد به پیش‌بینی رویدادهای شدید جوی مربوط می‌شود.»
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 در این‌باره گفت: «او از نظر نظری به محدودیتی دو هفته‌ای رسید و معتقد بود پس از این مدت دیگر نمی‌توان وضعیت هوا را پیش‌بینی کرد، زیرا اختلالات 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 از بررسی امکان پیش‌بینی وضعیت هوا برای بیش از دو هفته فاصله بگیرند.»
کوهن افزود: «من هیچ‌وقت کاملاً به این محدودیت اعتقاد نداشتم. از نظر نظری، جو می‌تواند بی‌نهایت الگوی مختلف ایجاد کند، اما در عمل تمایل دارد بارها و بارها به مجموعه‌ای از الگوهای مشخص و تکرارشونده بازگردد.»
او توضیح داد: «به نظر من وقتی یک اتفاق رخ می‌دهد، می‌توان پیش‌بینی کرد که در ادامه کدام مهره دومینو خواهد افتاد و پس از آن نوبت کدام مهره خواهد بود.»
به گفته کوهن، دقیق‌ترین پیش‌بینی‌های هواشناسی امروزی معمولاً با یکی از دو رویکرد انجام می‌شوند: مدل‌های دینامیکی که تحول جو و اقیانوس‌ها را در طول زمان با محاسبات عددی شبیه‌سازی می‌کنند، یا مدل‌های هوش مصنوعی که با یادگیری از داده‌های تاریخی هواشناسی، وضعیت آینده را پیش‌بینی می‌کنند.
مدل‌های هوش مصنوعی در پیش‌بینی‌های کوتاه‌مدت پیشرفت‌هایی داشته‌اند، اما عملکرد آن‌ها در بازه‌های زمانی طولانی‌تر حتی از مدل‌های دینامیکی نیز ضعیف‌تر است.
تمرکز پژوهش‌های کوهن بر پیش‌بینی وضعیت هوا برای دو تا شش هفته آینده است؛ حوزه‌ای که در هواشناسی «پیش‌بینی زیر‌فصلی» نامیده می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی وضعیت هوا در بازه زیر‌فصلی تفاوت چندانی با رفتن به کازینو و تاس انداختن ندارد.»
کوهن می‌گوید ایده اولیه استفاده از یادگیری ماشین برای کاهش خطاهای مدل‌های پیش‌بینی را لستر مکی، دیگر نویسنده این پژوهش، مطرح کرده است. این دو پژوهشگر بیش از یک دهه است که با یکدیگر همکاری می‌کنند.
او توضیح داد: «ما یک لایه تکمیلی برای مدل ساختیم که لستر آن را پس‌پردازش می‌نامد.»
کوهن افزود: «می‌دانستیم مدل‌های هوش مصنوعی خطاهای زیادی دارند. بنابراین به این فکر افتادیم که شاید بتوانیم این خطاها را اندازه‌گیری و سپس حذف کنیم.»
در حالی که برخی سامانه‌های پیش‌بینی از روش‌های ساده‌تری برای اصلاح خطا استفاده می‌کنند، لایه پس‌پردازش توسعه‌یافته توسط این گروه پژوهشی از هوش مصنوعی بهره می‌گیرد تا با بررسی داده‌های تاریخی، اشتباهات سامانه پیش‌بینی را یاد بگیرد و بر همان اساس، خروجی آن را اصلاح کند.
در این بازه زمانی، هواشناسان از روش موسوم به «پیش‌بینی احتمالاتی» استفاده می‌کنند؛ روشی که به‌جای ارائه یک نتیجه قطعی، احتمال وقوع مجموعه‌ای از وضعیت‌های مختلف جوی را مشخص می‌کند.
کوهن گفت: «هرچه پیش‌بینی‌ها و داده‌های بیشتری در دسترس قرار بگیرند، مدل ما به‌صورت تطبیقی اصلاحات خود را بهبود می‌دهد.»
این گروه برای انجام پژوهش از سامانه MIT Engaging، یک خوشه ابررایانشی تحت میزبانی دفتر محاسبات و داده‌های پژوهشی مؤسسه فناوری ماساچوست، استفاده کرد. با این حال، مدل نهایی برای اجرا به ابررایانه نیاز ندارد.
پژوهشگران برای ارزیابی عملکرد روش خود، سال گذشته سه مدل مجهز به لایه پس‌پردازش جدید را به مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی (ECMWF) ارائه کردند.
این مرکز که از آن به‌عنوان بهترین مرکز پیش‌بینی هواشناسی جهان یاد می‌شود، هر فصل رقابت‌هایی میان مدل‌های مختلف پیش‌بینی برگزار می‌کند.
مدلی که در این رقابت به رتبه نخست رسید، ابتدا مدل پیش‌بینی مرکز اروپایی را با یک مدل دیگر ترکیب می‌کرد و سپس اصلاحات لایه پس‌پردازش را بر خروجی آن اعمال می‌کرد.
این رویکرد در نهایت قدرت پیش‌بینی مدل اولیه را در بازه زیر‌فصلی دو برابر کرد.
همچنین برای نخستین بار، مدلی ارائه شد که عملکرد آن از اتکا به میانگین‌های اقلیمی بهتر بود.
کوهن گفت: «تا امروز هیچ‌کس نتوانسته بود نشان دهد که یک مدل می‌تواند در پیش‌بینی‌های زیر‌فصلی، وضعیت هوا را دقیق‌تر از میانگین‌های بلندمدت پیش‌بینی کند.»
او ادامه داد: «تقریباً همه مدل‌ها عملکردی ضعیف‌تر از این میانگین‌ها داشتند؛ به‌طوری‌که حتی با شیر یا خط انداختن هم می‌شد نتیجه بهتری گرفت.»
کوهن افزود: «برخی حتی این پرسش را مطرح کرده بودند که آیا سرمایه‌گذاری روی مدل‌های پیش‌بینی برای چنین بازه زمانی‌ای اساساً ارزش دارد یا نه.»
او تأکید کرد: «مدل‌های ما به‌طور مداوم عملکردی بهتر از میانگین‌های اقلیمی داشته‌اند.»
مدل جدید همچنین توانست بهبودی «از نظر آماری معنادار» در توانایی پیش‌بینی رویدادهای شدید جوی نشان دهد.
کوهن گفت: «این یکی از مهم‌ترین یافته‌های پژوهش است، زیرا دستیابی به چنین نتیجه‌ای بسیار دشوار است.»
او توضیح داد: «وقتی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی روش اصلاح خطای اختصاصی خود را که مبتنی بر هوش مصنوعی نبود توسعه داد، توانایی مدل آن مرکز در پیش‌بینی رویدادهای شدید جوی بدتر شد.»
کوهن افزود: «فکر می‌کنم دلیلش این باشد که روش‌های سنتی اصلاح خطا یا سوگیری همواره تلاش می‌کنند پیش‌بینی را به مقدار میانگین نزدیک کنند، در حالی که رویدادهای شدید جوی در حاشیه توزیع احتمالات قرار دارند.»
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: «ویژگی مثبت مدل ما این است که یک لایه تکمیلی است که می‌توان آن را به مدل‌های دیگر اضافه کرد.»
او ادامه داد: «ما از این روش همراه با مدل دینامیکی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی استفاده کردیم، چون آن مدل بهترین گزینه موجود به شمار می‌رفت؛ اما روش ما با هر مدل دیگری نیز قابل استفاده است.»
کوهن افزود: «این روش حتی عملکرد مدل‌هایی را که پیش‌تر با الگوریتم هوش مصنوعی دیگری اصلاح سوگیری شده‌اند نیز بهبود می‌دهد.»
او تأکید کرد: «بنابراین با روشی روبه‌رو هستیم که در شرایط مختلف بهبود قابل اتکایی ایجاد می‌کند. افزون 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 پیش از وقوع یک طوفان یخی از آمدن آن باخبر شوند، فرصت کافی برای آماده شدن ندارند؛ اما اگر دو هفته زودتر هشدار دریافت کنند، ممکن است بتوانند اقدامات لازم را برای آمادگی مناسب انجام دهند.»
این گزارش نخستین بار در تاکر نیوز، از مجموعه شبکه تبادل محتوای دیجیتال BLOX منتشر شده است.