آیا هوش مصنوعی پیش‌بینی وضعیت هوا را دقیق‌تر می‌کند؟
نویسنده: استیون بیچ
تاریخ انتشار: ۱۴ اکتبر ۲۰۲۶
پیش‌بینی وضعیت هوا برای دو تا شش هفته آینده، به لطف هوش مصنوعی، دقیق‌تر شده است.
یک روش جدید مبتنی بر یادگیری ماشین که برای پیش‌بینی وضعیت هوا در این بازه زمانی طراحی شده، رکوردهای پیش‌بینی هواشناسی را برای نخستین بار در این محدوده زمانی بهبود بخشیده است.
پژوهشگران آمریکایی مدلی توسعه داده‌اند که یاد می‌گیرد خطاهای مدل‌های موجود پیش‌بینی هواشناسی را اصلاح کند و دقت خروجی آن‌ها را در بازه دو تا شش هفته افزایش دهد.
این روش جدید، هنگامی که روی یکی از معتبرترین مدل‌های پیش‌بینی هواشناسی اعمال شد، دقت پیش‌بینی را در این بازه زمانی دو برابر کرد و در یک رقابت معتبر بین‌المللی پیش‌بینی هواشناسی به مقام نخست رسید.
دانشمندان می‌گویند این روش می‌تواند به کشاورزان، فعالان صنعت انرژی و سازمان‌های امدادی در سراسر جهان فرصت بیشتری بدهد تا برای طوفان‌ها آماده شوند.
پیش‌بینی وضعیت هوا برای بیش از دو هفته آینده، به دشوار و غیرقابل‌اعتماد بودن شهرت دارد.
اما روش جدیدی که جزئیات آن در مجله علمی نیچر منتشر شده، دقت پیش‌بینی‌های هواشناسی را برای بازه‌های طولانی‌تر از دو هفته افزایش داده است. این روش برای نخستین بار توانسته در پیش‌بینی‌های دو تا شش هفته‌ای، عملکردی بهتر از میانگین‌های اقلیمی ثبت‌شده داشته باشد.
جودا کوهن، از نویسندگان این پژوهش، گفت: «این روش نه‌تنها پیش‌بینی‌های میانگین‌گیری‌شده در این بازه زمانی را دقیق‌تر می‌کند، که خود برای کشاورزان و فعالان صنعت انرژی که تلاش می‌کنند عرضه را با تقاضا هماهنگ کنند بسیار ارزشمند است، بلکه پیش‌بینی پدیده‌های شدید جوی، از سیل و دوره‌های سرمای شدید گرفته تا رویدادهای دیگر، را نیز بهبود می‌بخشد.»
کوهن، اقلیم‌شناس مؤسسه فناوری ماساچوست (MIT)، افزود: «پیش‌بینی هر دو مورد اهمیت زیادی دارد، اما شاید پیش‌بینی پدیده‌های شدید جوی از نظر تأثیری که بر جامعه می‌گذارند، مهم‌ترین بخش این پیشرفت باشد.»
ادوارد لورنز، استاد مؤسسه فناوری ماساچوست، نخستین کسی بود که از نظریه آشوب برای توضیح این موضوع استفاده کرد که چگونه تغییرات بسیار کوچک در شرایط اولیه جو می‌توانند به نتایجی کاملاً متفاوت منجر شوند.
کوهن گفت: «بر اساس این نظریه، به یک محدودیت دو هفته‌ای رسیدیم؛ به این معنا که پس از دو هفته دیگر نمی‌توان وضعیت هوا را پیش‌بینی کرد، زیرا آشفتگی موجود در سامانه آن‌قدر افزایش می‌یابد که هر سیگنال اولیه‌ای را تحت‌الشعاع قرار می‌دهد.»
او ادامه داد: «این نظریه تأثیر بسیار زیادی بر حوزه هواشناسی گذاشت و شاید باعث شد پژوهشگران از بررسی امکان پیش‌بینی وضعیت هوا برای دوره‌های طولانی‌تر از دو هفته فاصله بگیرند.»
«من هیچ‌وقت کاملاً به این محدودیت اعتقاد نداشتم. از نظر نظری، جو می‌تواند بی‌نهایت الگوی مختلف ایجاد کند، اما به نظر می‌رسد برخی الگوهای مشخص را بارها و بارها تکرار می‌کند.»
«فکر می‌کنم وقتی یک اتفاق رخ می‌دهد، می‌توان پیش‌بینی کرد کدام مهره دومینو پس از آن سقوط می‌کند و بعد از آن نوبت کدام مهره خواهد بود.»
به گفته کوهن، دقیق‌ترین پیش‌بینی‌های هواشناسی امروزی 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، پیش‌بینی انجام می‌دهند.
مدل‌های هوش مصنوعی در پیش‌بینی‌های کوتاه‌مدت پیشرفت‌هایی نشان داده‌اند، اما در بازه‌های زمانی طولانی‌تر حتی از مدل‌های دینامیکی نیز عملکرد ضعیف‌تری دارند.
تمرکز پژوهش‌های کوهن بر پیش‌بینی وضعیت هوا از دو تا شش هفته پیش از وقوع است؛ حوزه‌ای که 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 ایده اولیه استفاده از یادگیری ماشین برای کاهش خطاهای مدل‌های پیش‌بینی را به لستر مکی، دیگر نویسنده پژوهش، نسبت می‌دهد؛ همکاری که بیش از یک دهه با او کار کرده است.
کوهن توضیح داد: «ما یک لایه اصلاح‌کننده ساختیم؛ چیزی که لستر آن را پس‌پردازش می‌نامد.»
«می‌دانیم مدل‌های هوش مصنوعی خطاهای زیادی دارند. بنابراین فکر کردیم شاید بتوانیم این خطاها را اندازه‌گیری و سپس برطرف کنیم.»
در حالی که برخی سامانه‌های دیگر پیش‌بینی هواشناسی تنها اصلاحات ساده‌ای روی خطاها انجام می‌دهند، لایه پس‌پردازش گروه پژوهشی از هوش مصنوعی استفاده می‌کند تا بر اساس داده‌های تاریخی، خطاهای یک سامانه پیش‌بینی را یاد بگیرد و پیش‌بینی‌های آن را اصلاح کند.
در این بازه زمانی، پیش‌بینی‌کنندگان هواشناسی از روش موسوم به «پیش‌بینی احتمالاتی» استفاده می‌کنند؛ روشی که در آن احتمال وقوع مجموعه‌ای از وضعیت‌های ممکن ارائه 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 انجام پژوهش از ابررایانه MIT Engaging، مجموعه‌ای از رایانه‌های قدرتمند که دفتر محاسبات و داده‌های پژوهشی مؤسسه فناوری ماساچوست میزبانی آن را بر عهده دارد، استفاده کرد. 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 از معتبرترین مراکز پیش‌بینی هواشناسی جهان به شمار می‌رود، هر فصل رقابت‌هایی برای مقایسه عملکرد مدل‌های پیش‌بینی برگزار می‌کند.
مدلی که مقام نخست را به دست آورد، پیش‌بینی‌های دو مدل این مرکز را با یکدیگر ترکیب کرده بود و سپس لایه اصلاح خطای پس‌پردازش را روی خروجی آن‌ها اعمال می‌کرد.
این رویکرد در نهایت توانست توان پیش‌بینی مدل اولیه را در بازه زیر‌فصلی دو برابر کند.
همچنین این مدل برای نخستین بار توانست عملکردی بهتر از اتکا به میانگین‌های اقلیمی ثبت کند.
کوهن گفت: «تا پیش از این، هیچ‌کس نتوانسته بود نشان دهد که یک مدل می‌تواند وضعیت هوا را در بازه‌های زیر‌فصلی بهتر از میانگین‌های بلندمدت پیش‌بینی کند.»
«تقریباً همه مدل‌ها عملکردی ضعیف‌تر از این میانگین‌ها داشتند؛ به‌طوری که حتی با شیر یا خط انداختن هم می‌شد نتیجه بهتری گرفت.»
«برخی حتی این پرسش را مطرح کرده بودند که آیا اساساً سرمایه‌گذاری روی مدل‌های پیش‌بینی برای چنین بازه زمانی‌ای ارزش دارد یا نه.»
«اما مدل‌های ما به‌طور مداوم عملکردی بهتر از میانگین‌های اقلیمی داشتند.»
این مدل همچنین در پیش‌بینی پدیده‌های شدید جوی بهبودی «از نظر آماری معنادار» نشان داد.
کوهن گفت: «این یکی از مهم‌ترین یافته‌های پژوهش است، زیرا دستیابی به چنین نتیجه‌ای بسیار دشوار است.»
«وقتی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی روش اصلاح خطای خودش را که مبتنی بر هوش مصنوعی نبود، روی مدلش اعمال کرد، دقت پیش‌بینی پدیده‌های شدید جوی کاهش یافت.»
«فکر می‌کنم دلیلش این است که روش‌های سنتی اصلاح خطا یا سوگیری، همواره تلاش می‌کنند پیش‌بینی‌ها را به میانگین نزدیک کنند؛ در حالی که پدیده‌های شدید جوی در حاشیه توزیع احتمال قرار دارند.»
این گروه پژوهشی نشان داده است که روش آن‌ها می‌تواند پیش‌بینی وضعیت هوا در خشکی را در بیشتر مناطق جهان بهبود بخشد.
کوهن گفت: «ویژگی خوب مدل ما این است که به‌صورت یک لایه تکمیلی به مدل‌های دیگر اضافه می‌شود.»
«ما آن را همراه با مدل دینامیکی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی به کار بردیم، زیرا آن مدل بهترین مدل موجود شناخته می‌شد؛ اما روش ما را می‌توان با هر مدل دیگری استفاده کرد.»
«این روش حتی عملکرد مدل‌هایی را که پیش‌تر با الگوریتم دیگری از هوش مصنوعی اصلاح سوگیری شده‌اند نیز بهتر می‌کند.»
«بنابراین بهبود قابل‌اتکایی ایجاد می‌کند. علاوه بر این، متن‌باز و کم‌هزینه است.»
او افزود: «این روش می‌تواند برای بخش انرژی و مدیریت شرایط اضطراری نیز مفید باشد.»
«با مسئولان صنعت انرژی صحبت کرده‌ام. آن‌ها می‌گویند اگر فقط دو روز پیش از وقوع یک طوفان یخی از آن مطلع شوند، فرصت کافی ندارند؛ اما اگر دو هفته زودتر بدانند، زمان لازم برای انجام اقدامات آماده‌سازی مناسب را خواهند داشت.»
این گزارش نخستین بار در تاکر نیوز، از مجموعه شبکه تبادل محتوای دیجیتال BLOX، منتشر شده است.