آیا هوش مصنوعی پیش‌بینی‌های هواشناسی را دقیق‌تر می‌کند؟
نویسنده: استیون بیچ
به لطف هوش مصنوعی، دقت پیش‌بینی وضعیت هوا برای دو تا شش هفته آینده در حال افزایش است.
پژوهشگران با توسعه روشی جدید مبتنی بر یادگیری ماشین توانسته‌اند رکوردهای پیش‌بینی هواشناسی را در بازه زمانی مهمی بشکنند که نقش تعیین‌کننده‌ای در برنامه‌ریزی برای شرایط اضطراری دارد.
گروهی از پژوهشگران آمریکایی مدلی طراحی کرده‌اند که می‌آموزد چگونه خطاهای مدل‌های پیش‌بینی موجود را اصلاح کند تا نتایج آن‌ها برای بازه دو تا شش هفته آینده دقیق‌تر شود.
به‌کارگیری این روش در یکی از معتبرترین مدل‌های پیش‌بینی هواشناسی، دقت پیش‌بینی‌ها را در این بازه زمانی دو برابر کرد و مقام نخست یک رقابت معتبر بین‌المللی پیش‌بینی هواشناسی را برای پژوهشگران 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 رویارویی با طوفان‌ها آمادگی بهتری پیدا کنند.
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، دقت پیش‌بینی‌های بلندتر از دو هفته را افزایش داده است. این روش برای نخستین بار توانسته 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 مربوط به میانگین وضعیت هوا را در این بازه زمانی دقیق‌تر می‌کند، که به‌خودی‌خود برای کشاورزان و فعالان صنعت انرژی که تلاش می‌کنند عرضه را با تقاضا هماهنگ کنند بسیار مفید است، بلکه پیش‌بینی رویدادهای شدید جوی، از سیل و دوره‌های سرمای شدید گرفته تا سایر پدیده‌های مشابه، را نیز بهبود می‌بخشد.»
کوهن، اقلیم‌شناس مؤسسه فناوری ماساچوست (MIT)، افزود: «پیش‌بینی دقیق هر دو مورد اهمیت زیادی دارد، اما احتمالاً پیش‌بینی رویدادهای شدید جوی از نظر تأثیری که بر جامعه می‌گذارد، مهم‌ترین دستاورد این روش است.»
ادوارد لورنتس، استاد مؤسسه فناوری ماساچوست، نخستین کسی بود که ایده نظریه آشوب را برای توضیح این پدیده مطرح کرد که چگونه تغییرات بسیار کوچک در شرایط اولیه جوی می‌توانند به نتایجی کاملاً متفاوت منجر شوند.
کوهن توضیح داد: «او از نظر نظری به محدودیتی دو هفته‌ای رسید؛ به این معنا که پس از این مدت دیگر نمی‌توان وضعیت هوا را پیش‌بینی کرد، زیرا اختلالات موجود در سامانه آن‌قدر افزایش می‌یابند که هر نشانه قابل‌استفاده‌ای را که در ابتدا وجود داشته، تحت‌الشعاع قرار می‌دهند.»
او ادامه داد: «این دیدگاه تأثیر زیادی بر حوزه هواشناسی گذاشت و شاید باعث شد پژوهشگران از بررسی امکان پیش‌بینی وضعیت هوا برای دوره‌های طولانی‌تر از دو هفته منصرف شوند.
«من هیچ‌وقت این دیدگاه را به‌طور کامل قبول نداشتم. از نظر نظری، جو زمین می‌تواند بی‌نهایت الگوی متفاوت ایجاد کند، اما در عمل تمایل دارد بارها و بارها به مجموعه‌ای از الگوهای مشخص بازگردد.
«به نظر من، وقتی یک رویداد اتفاق می‌افتد، می‌توان پیش‌بینی کرد که پس از آن چه اتفاقی خواهد افتاد و سپس رویداد بعدی چه خواهد بود؛ درست مانند دومینوهایی که یکی پس از دیگری سقوط می‌کنند.»
به گفته کوهن، دقیق‌ترین پیش‌بینی‌های هواشناسی امروز از دو دسته مدل به دست می‌آیند: مدل‌های دینامیکی که با استفاده از 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 با عنوان «پیش‌بینی زیر‌فصلی» شناخته می‌شود.
او گفت: «در بیشتر موارد، پیش‌بینی هوا در بازه‌های زیر‌فصلی تفاوت چندانی با رفتن به کازینو و تاس انداختن ندارد.»
کوهن می‌گوید ایده اولیه استفاده از یادگیری ماشین برای کاهش خطاهای مدل‌های پیش‌بینی متعلق به لستر مکی، دیگر نویسنده این پژوهش، بوده 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 پس‌پردازش می‌نامد.
«می‌دانستیم مدل‌های هوش مصنوعی خطاهای زیادی دارند. بنابراین با خود فکر کردیم شاید بتوانیم این خطاها را اندازه‌گیری و حذف کنیم.»
درحالی‌که برخی سامانه‌های پیش‌بینی از روش‌های ساده‌تری برای اصلاح خطا استفاده می‌کنند، لایه پس‌پردازش طراحی‌شده توسط این گروه پژوهشی با کمک هوش مصنوعی از اشتباهات گذشته سامانه پیش‌بینی، بر اساس داده‌های تاریخی، یاد می‌گیرد و سپس پیش‌بینی‌های آن را اصلاح می‌کند.
در این بازه زمانی، هواشناسان از روشی موسوم به «پیش‌بینی احتمالاتی» استفاده می‌کنند که در آن به‌جای اعلام یک نتیجه قطعی، احتمال وقوع مجموعه‌ای از وضعیت‌های ممکن مشخص می‌شود.
کوهن گفت: «هرچه پیش‌بینی‌ها و داده‌های بیشتری در دسترس قرار بگیرد، مدل ما به‌صورت تطبیقی توانایی خود را در اصلاح خطاها بهبود می‌دهد.»
این گروه برای انجام پژوهش از سامانه ابررایانشی MIT Engaging استفاده کرد که زیر نظر دفتر محاسبات و داده‌های پژوهشی مؤسسه فناوری ماساچوست میزبانی می‌شود. بااین‌حال، اجرای مدل نهایی به ابررایانه نیاز ندارد.
پژوهشگران برای ارزیابی عملکرد روش خود، سال گذشته سه مدل مجهز به لایه پس‌پردازش طراحی‌شده را به مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی (ECMWF) ارائه کردند.
این مرکز که از آن به‌عنوان بهترین مرکز پیش‌بینی هواشناسی جهان یاد می‌شود، در هر فصل رقابت‌هایی میان مدل‌های مختلف پیش‌بینی برگزار می‌کند.
مدلی که مقام نخست را به دست آورد، مدل پیش‌بینی مرکز اروپایی را با یک مدل دیگر ترکیب کرده بود و سپس اصلاحات حاصل از مرحله پس‌پردازش را بر نتایج 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 در پیش‌بینی وضعیت هوا در بازه‌های زیر‌فصلی، عملکرد بهتری از میانگین‌های بلندمدت دارد.
«تقریباً همه این مدل‌ها از میانگین‌های بلندمدت ضعیف‌تر بودند؛ 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 پیش‌بینی‌های مبتنی بر میانگین‌های اقلیمی داشته‌اند.»
این مدل همچنین توانست در پیش‌بینی رویدادهای شدید جوی بهبودی نشان دهد که از نظر آماری معنادار بود.
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 اختصاصی خود را که مبتنی بر هوش مصنوعی نبود توسعه داد، توانایی مدلش در پیش‌بینی رویدادهای شدید جوی کاهش یافت.
«فکر می‌کنم دلیلش این است که روش‌های سنتی اصلاح خطا یا سوگیری همواره تلاش می‌کنند نتایج را به میانگین نزدیک کنند، درحالی‌که رویدادهای شدید جوی در انتهای دامنه احتمالات قرار دارند.»
این گروه پژوهشی نشان داده است که می‌توان از روش جدید برای بهبود پیش‌بینی وضعیت هوا در مناطق خشکی در بیشتر نقاط جهان استفاده کرد.
کوهن گفت: «ویژگی خوب مدل ما این است که مانند یک لایه تکمیلی به مدل‌های دیگر اضافه می‌شود.
«ما آن را همراه با مدل دینامیکی مرکز اروپایی به کار گرفتیم، چون این مدل بهترین مدل موجود محسوب می‌شد؛ اما روش ما را می‌توان با هر مدل دیگری نیز استفاده کرد.
«این روش حتی عملکرد مدل‌هایی را که پیش‌تر با الگوریتم دیگری از هوش مصنوعی اصلاح سوگیری شده‌اند، بهبود می‌دهد.
«بنابراین، بهبود عملکرد آن در شرایط مختلف پایدار و قابل‌اتکاست. افزون بر این، متن‌باز و کم‌هزینه است.»
او افزود: «این فناوری می‌تواند برای صنعت انرژی و مدیریت شرایط اضطراری نیز مفید باشد.
«با مسئولانی در صنعت انرژی صحبت کرده‌ام که می‌گویند: اگر فقط دو روز پیش از وقوع یک طوفان یخی به من هشدار بدهند، زمان کافی برای آماده شدن ندارم؛ اما اگر دو هفته زودتر اطلاع داشته باشم، ممکن است بتوانم اقدامات لازم را برای آمادگی مناسب انجام دهم.»