آیا هوش مصنوعی پیش‌بینی وضعیت هوا را دقیق‌تر می‌کند؟
نویسنده: استیون بیچ
به لطف هوش مصنوعی، پیش‌بینی وضعیت هوا برای دو تا شش هفته آینده دقیق‌تر شده است.
یک روش جدید مبتنی بر یادگیری ماشین توانسته رکوردهای دقت پیش‌بینی هوا را در بازه‌ای زمانی بشکند که برای برنامه‌ریزی شرایط اضطراری اهمیت ویژه‌ای دارد.
پژوهشگران آمریکایی مدلی توسعه داده‌اند که با شناسایی و اصلاح خطاهای مدل‌های پیش‌بینی موجود، دقت نتایج آن‌ها را برای بازه دو تا شش هفته آینده افزایش می‌دهد.
به‌کارگیری این روش در یکی از معتبرترین مدل‌های پیش‌بینی هوا، دقت پیش‌بینی را در این بازه زمانی دو برابر کرده و رتبه نخست یک رقابت معتبر بین‌المللی در حوزه هواشناسی را برای آن به ارمغان آورده است.
دانشمندان می‌گویند این روش می‌تواند به کشاورزان، فعالان صنعت انرژی و نیروهای امدادی در سراسر جهان فرصت بیشتری بدهد تا برای رویارویی 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 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 پدیده‌ها، را نیز بهبود می‌بخشد.»
کوهن، اقلیم‌شناس مؤسسه فناوری ماساچوست (MIT)، افزود: «پیش‌بینی دقیق هر دو مورد اهمیت زیادی دارد، اما شاید پیش‌بینی رویدادهای شدید جوی بخشی از این دستاورد باشد که بیشترین تأثیر را بر جامعه می‌گذارد.»
ادوارد لورنتس، استاد مؤسسه فناوری ماساچوست، نخستین بار نظریه آشوب را برای توضیح این موضوع مطرح کرد که چگونه تغییراتی بسیار کوچک در شرایط اولیه جو می‌توانند به نتایجی کاملاً متفاوت منجر شوند.
کوهن توضیح داد: «لورنتس یک محدودیت نظری 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 جوی آن‌قدر افزایش می‌یابند که هرگونه سیگنال اولیه را تحت‌الشعاع قرار می‌دهند.»
او ادامه داد: «این نظریه تأثیر عمیقی بر حوزه هواشناسی گذاشت و شاید باعث شد پژوهشگران از بررسی امکان پیش‌بینی هوا برای دوره‌های طولانی‌تر از دو هفته بازبمانند.»
«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.»
«به نظر من، وقتی یک اتفاق رخ می‌دهد، می‌توان پیش‌بینی کرد که پس از آن چه اتفاقی خواهد افتاد و سپس چه رویداد دیگری در ادامه رخ می‌دهد؛ درست مانند دومینوهایی که یکی پس از دیگری می‌افتند.»
به گفته کوهن، دقیق‌ترین پیش‌بینی‌های هواشناسی امروز از دو نوع 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، وضعیت آینده را پیش‌بینی می‌کنند.
مدل‌های هوش مصنوعی در پیش‌بینی‌های کوتاه‌مدت عملکرد بهتری از گذشته نشان داده‌اند، اما در بازه‌های زمانی طولانی‌تر حتی از مدل‌های دینامیکی نیز ضعیف‌تر عمل می‌کنند.
تمرکز پژوهش‌های 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 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 مدل‌ها ساختیم که لستر آن را پردازش پس از پیش‌بینی می‌نامد.»
«می‌دانستیم مدل‌های هوش مصنوعی خطاهای زیادی دارند. بنابراین فکر کردیم شاید بتوانیم این خطاها را اندازه‌گیری و حذف کنیم.»
در حالی که برخی سامانه‌های هواشناسی از روش‌های ساده‌تری برای اصلاح خطا استفاده می‌کنند، لایه پردازش تکمیلی طراحی‌شده توسط این گروه پژوهشی با کمک هوش مصنوعی از اشتباهات گذشته سامانه پیش‌بینی، بر اساس داده‌های تاریخی، یاد می‌گیرد و نتایج پیش‌بینی را متناسب با آن اصلاح می‌کند.
در این بازه زمانی، هواشناسان از روشی موسوم به «پیش‌بینی احتمالاتی» استفاده می‌کنند که در آن به‌جای ارائه 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 عملکرد خود را در اصلاح خطاها بهبود می‌دهد.»
این گروه برای توسعه مدل از سامانه MIT Engaging، یک خوشه ابررایانشی تحت مدیریت دفتر رایانش و داده‌های پژوهشی مؤسسه فناوری ماساچوست، استفاده کرد. با این حال، اجرای مدل نهایی به ابررایانه نیاز ندارد.
پژوهشگران برای آزمایش عملکرد روش خود، سال گذشته سه مدل مجهز به لایه پردازش پس از پیش‌بینی 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 رتبه نخست این رقابت را کسب کرد، حاصل ترکیب مدل پیش‌بینی مرکز اروپایی با یک مدل دیگر و سپس اعمال لایه اصلاح خطا بر نتایج آن‌ها بود.
این رویکرد در نهایت توان 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 می‌تواند در پیش‌بینی‌های زیر‌فصلی، وضعیت هوا را دقیق‌تر از میانگین‌های بلندمدت پیش‌بینی کند.»
«تقریباً همه مدل‌ها عملکردی ضعیف‌تر از این میانگین‌ها داشتند؛ تا جایی که واقعاً می‌شد با شیر یا خط انداختن نتیجه بهتری گرفت.»
«بعضی‌ها حتی این پرسش را مطرح کرده بودند که آیا سرمایه‌گذاری روی مدل‌های پیش‌بینی برای چنین بازه زمانی اصلاً ارزش دارد یا نه.»
«اما مدل‌های ما به‌طور مداوم عملکردی بهتر از میانگین‌های اقلیمی دارند.»
این مدل همچنین توانست در پیش‌بینی پدیده‌های شدید جوی بهبودی نشان دهد که از نظر آماری معنادار است.
کوهن گفت: «این یکی از مهم‌ترین یافته‌های ماست، زیرا دستیابی به چنین پیشرفتی بسیار دشوار است.»
او ادامه داد: «وقتی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی روش اصلاح خطای مخصوص خود را که مبتنی بر هوش مصنوعی نبود، توسعه داد و روی مدلش اعمال کرد، دقت پیش‌بینی رویدادهای شدید جوی کاهش یافت.»
«فکر می‌کنم دلیلش این است که روش‌های سنتی اصلاح خطا یا سوگیری همواره تلاش می‌کنند پیش‌بینی‌ها را به مقدار میانگین نزدیک کنند، در حالی که رویدادهای شدید جوی در بخش‌های انتهایی توزیع احتمال قرار می‌گیرند.»
این گروه پژوهشی نشان داده است که روش جدید می‌تواند دقت پیش‌بینی وضعیت هوا را در مناطق خشکیِ بیشتر نقاط جهان افزایش دهد.
کوهن گفت: «مزیت مدل ما این است که به‌صورت یک لایه تکمیلی به مدل‌های دیگر اضافه می‌شود.»
«ما این روش را روی مدل دینامیکی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی به کار گرفتیم، چون آن را بهترین مدل موجود می‌دانستند؛ اما این روش را می‌توان روی هر مدل دیگری نیز اعمال کرد.»
«این روش حتی عملکرد مدل‌هایی را بهبود می‌دهد که پیش‌تر با استفاده از الگوریتم دیگری مبتنی بر هوش مصنوعی، خطاهای سوگیری آن‌ها اصلاح شده است.»
«بنابراین، روش ما بهبود قابل‌اتکایی در عملکرد مدل‌ها ایجاد می‌کند. علاوه بر این، متن‌باز و کم‌هزینه است.»
او افزود: «این روش می‌تواند برای صنعت انرژی و مدیریت شرایط اضطراری نیز مفید باشد.»
«با مسئولانی در صنعت انرژی صحبت کرده‌ام که می‌گویند: اگر فقط دو روز قبل به من اطلاع دهند که طوفان یخی در راه است، زمان کافی برای آماده شدن ندارم؛ اما اگر دو هفته زودتر خبردار شوم، ممکن است بتوانم اقدامات لازم را برای آمادگی مناسب انجام دهم.»