آیا هوش مصنوعی پیش‌بینی وضعیت هوا را دقیق‌تر می‌کند؟
نویسنده: استیون بیچ
به لطف هوش مصنوعی، دقت پیش‌بینی وضعیت هوا برای 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 توسعه داده‌اند که یاد می‌گیرد خطاهای مدل‌های پیش‌بینی موجود را اصلاح کند و به این ترتیب، دقت پیش‌بینی‌های آن‌ها را برای بازه دو تا شش هفته افزایش دهد.
استفاده از این روش در یکی از معتبرترین مدل‌های پیش‌بینی هوا، دقت پیش‌بینی را در این بازه زمانی دو برابر کرد و جایگاه نخست یکی از رقابت‌های مهم بین‌المللی پیش‌بینی هوا را برای آن به ارمغان آورد.
دانشمندان می‌گویند این روش جدید می‌تواند به کشاورزان، فعالان صنعت انرژی و سازمان‌های امدادی در سراسر جهان فرصت بیشتری بدهد تا برای مقابله با طوفان‌ها آمادگی بهتری پیدا کنند.
پیش‌بینی وضعیت هوا برای بیش از دو هفته آینده همواره به غیرقابل‌اعتماد بودن شهرت داشته است.
اما روش جدیدی که جزئیات آن در نشریه علمی نیچر منتشر شده، دقت پیش‌بینی‌های فراتر از دو هفته را افزایش داده و برای نخستین بار توانسته است در بازه دو تا شش هفته، عملکردی بهتر از پیش‌بینی‌های مبتنی بر میانگین‌های اقلیمی داشته باشد.
جودا کوهن، یکی از نویسندگان این پژوهش، گفت: «این روش نه‌تنها پیش‌بینی‌های مبتنی بر میانگین‌گیری زمانی را در این بازه دقیق‌تر می‌کند، که خود برای کشاورزان و فعالان صنعت انرژی در تنظیم عرضه و تقاضا بسیار مفید است، بلکه پیش‌بینی رویدادهای شدید جوی، از سیل و دوره‌های سرمای شدید گرفته تا سایر پدیده‌ها، را نیز بهبود می‌بخشد.»
کوهن که اقلیم‌شناس مؤسسه فناوری ماساچوست (MIT) است، افزود: «پیش‌بینی دقیق هر دو مورد اهمیت زیادی دارد، اما بهبود پیش‌بینی رویدادهای شدید جوی شاید بخشی باشد که بیشترین تأثیر را بر جامعه می‌گذارد.»
ادوارد لورنتس، استاد مؤسسه فناوری ماساچوست، نخستین کسی بود که نظریه آشوب را برای توضیح این پدیده مطرح کرد که چگونه تغییرات بسیار کوچک در شرایط اولیه جو می‌توانند به نتایجی کاملاً متفاوت منجر شوند.
کوهن توضیح داد: «او از نظر نظری محدودیتی دو هفته‌ای برای پیش‌بینی هوا مطرح کرد. بر اساس این دیدگاه، پس از دو هفته دیگر نمی‌توان وضعیت هوا را پیش‌بینی کرد، زیرا آشفتگی‌های 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 هوا برای دوره‌های طولانی‌تر از دو هفته بروند.»
کوهن گفت: «من هیچ‌وقت این دیدگاه را به‌طور کامل قبول نداشتم. از نظر نظری، جو می‌تواند بی‌نهایت الگوی مختلف ایجاد کند، اما در عمل تمایل دارد بارها و بارها به مجموعه‌ای از الگوهای مشخص بازگردد.»
او افزود: «فکر می‌کنم وقتی یک اتفاق رخ می‌دهد، می‌توان پیش‌بینی کرد کدام مهره دومینو پس از آن سقوط خواهد کرد و بعد از آن نوبت کدام مهره است.»
به گفته کوهن، دقیق‌ترین پیش‌بینی‌های هواشناسی امروز از دو دسته مدل به دست می‌آیند: مدل‌های دینامیکی که با محاسبات عددی، تغییرات جو و اقیانوس‌ها را در طول زمان شبیه‌سازی می‌کنند و مدل‌های هوش مصنوعی که با یادگیری از داده‌های تاریخی هواشناسی، پیش‌بینی انجام می‌دهند.
مدل‌های هوش مصنوعی در پیش‌بینی کوتاه‌مدت وضعیت هوا پیشرفت‌هایی نشان داده‌اند، اما در بازه‌های زمانی طولانی‌تر حتی از مدل‌های دینامیکی نیز عملکرد ضعیف‌تری دارند.
تمرکز پژوهش‌های کوهن بر پیش‌بینی وضعیت هوا برای دو تا شش هفته آینده است؛ حوزه‌ای که در هواشناسی به آن «پیش‌بینی زیر‌فصلی» گفته می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی وضعیت هوا در بازه زیر‌فصلی تفاوت چندانی با رفتن به کازینو و انداختن تاس ندارد.»
کوهن می‌گوید ایده اولیه استفاده از یادگیری ماشین برای کاهش خطاهای مدل‌های پیش‌بینی هوا متعلق به لستر مکی، همکار او در این پژوهش، بوده است. این دو 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 فکر کردیم 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 طراحی‌شده توسط این گروه پژوهشی با کمک هوش مصنوعی، اشتباهات گذشته سامانه پیش‌بینی را از روی داده‌های تاریخی یاد می‌گیرد و بر اساس آن، خروجی پیش‌بینی‌ها را اصلاح می‌کند.
در بازه زمانی دو تا شش هفته، هواشناسان از روش‌هایی موسوم به «پیش‌بینی احتمالاتی» استفاده می‌کنند که در آن‌ها به‌جای اعلام یک نتیجه قطعی، احتمال وقوع مجموعه‌ای از وضعیت‌های مختلف مشخص می‌شود.
کوهن گفت: «هرچه پیش‌بینی‌ها و داده‌های بیشتری در دسترس قرار بگیرد، مدل ما نیز به‌صورت تطبیقی توانایی خود را در اصلاح خطاها بهبود می‌دهد.»
این گروه برای توسعه روش خود از سامانه ابررایانشی MIT Engaging استفاده کرد که زیر نظر دفتر رایانش و داده‌های پژوهشی مؤسسه فناوری ماساچوست میزبانی می‌شود. با این حال، 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 هواشناسی (ECMWF) ارائه کردند.
این مرکز که بهترین مرکز پیش‌بینی هواشناسی جهان شناخته می‌شود، در هر فصل رقابت‌هایی میان مدل‌های پیش‌بینی برگزار می‌کند.
مدلی که رتبه نخست این رقابت را به دست آورد، مدل پیش‌بینی مرکز اروپایی را با یک مدل دیگر ترکیب کرده و سپس اصلاحات لایه پس‌پردازش را بر خروجی آن اعمال کرده بود.
این رویکرد در نهایت قدرت پیش‌بینی مدل اولیه را در بازه زیر‌فصلی دو برابر کرد.
همچنین این مدل برای نخستین بار توانست عملکردی بهتر از روش اتکا به میانگین‌های اقلیمی ارائه دهد.
کوهن گفت: «تا پیش از این، هیچ‌کس نتوانسته بود نشان دهد که یک مدل در پیش‌بینی زیر‌فصلی وضعیت هوا، عملکردی بهتر از میانگین‌های بلندمدت دارد.»
او ادامه داد: «تقریباً همه مدل‌ها از این معیار هم ضعیف‌تر بودند؛ به‌طوری که واقعاً ممکن بود با شیر یا خط انداختن نتیجه بهتری به دست بیاورید.»
کوهن افزود: «حتی برخی تردید داشتند که آیا اصلاً سرمایه‌گذاری روی مدل‌های پیش‌بینی برای این بازه زمانی ارزش دارد یا نه.»
او تأکید کرد: «مدل‌های ما به‌طور مداوم عملکردی بهتر از میانگین‌های اقلیمی داشته‌اند.»
این مدل همچنین بهبودی «از نظر آماری معنادار» در توانایی پیش‌بینی رویدادهای شدید جوی نشان داد.
کوهن گفت: «این یکی از مهم‌ترین یافته‌های پژوهش است، زیرا دستیابی به چنین پیشرفتی بسیار دشوار است.»
او توضیح داد: «وقتی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی روش اختصاصی خود را برای اصلاح خطاهای مدل توسعه داد که مبتنی بر هوش مصنوعی نبود، عملکرد 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 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 پیشنهادی آن می‌تواند پیش‌بینی وضعیت هوا را در مناطق خشکیِ بیشتر نقاط جهان بهبود دهد.
کوهن گفت: «مزیت مدل ما این است که یک لایه تکمیلی است که می‌توان آن را به مدل‌های دیگر اضافه کرد.»
او ادامه داد: «ما این روش را همراه با مدل دینامیکی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی به کار گرفتیم، چون آن مدل بهترین نمونه موجود محسوب می‌شد؛ اما روش ما با هر مدل دیگری نیز قابل استفاده است.»
کوهن افزود: «این روش حتی مدل‌هایی را که پیش‌تر با الگوریتم دیگری از هوش مصنوعی اصلاح سوگیری شده‌اند، بهبود می‌دهد.»
او تأکید کرد: «بنابراین، این روش در شرایط مختلف بهبود قابل‌اتکایی ایجاد می‌کند. علاوه بر این، متن‌باز و کم‌هزینه است.»
کوهن در ادامه گفت: «این فناوری می‌تواند برای بخش انرژی و مدیریت شرایط اضطراری نیز مفید باشد.»
او افزود: «با مسئولانی در صنعت انرژی صحبت کرده‌ام که می‌گویند: اگر فقط دو روز قبل به من خبر بدهند که طوفان یخی در راه است، فرصت کافی برای آماده شدن ندارم؛ اما اگر دو هفته زودتر اطلاع داشته باشم، ممکن است 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.