مایکروسافت از چارچوب هوش مصنوعی جدیدی برای بهبود پیش‌بینی آب‌وهوا در بازه‌های میان‌مدت رونمایی کرد
چارچوب «اصلاح احتمالاتی سوگیری» (Probabilistic Bias Correction یا PBC) دقت پیش‌بینی‌های آب‌وهوا در بازه دو تا شش هفته را افزایش می‌دهد و می‌تواند مزایای مهمی برای کشاورزان، مدیران منابع و نیروهای مسئول مقابله با بلایای طبیعی داشته باشد.
نکات کلیدی
- پیش‌بینی‌های فعلی آب‌وهوا در بازه زمانی دو تا شش هفته همچنان با مشکلات پایداری و دقت روبه‌رو هستند و خلأ مهمی در اختیار تصمیم‌گیرندگان بخش‌های مختلف و نهادهای دولتی قرار می‌دهند.
- چارچوب PBC که پژوهشگران مایکروسافت توسعه داده‌اند، روشی نوآورانه مبتنی بر یادگیری ماشین است که برای اصلاح خطاهای تاریخی مدل‌های هواشناسی و افزایش دقت پیش‌بینی‌ها طراحی شده است.
- این چارچوب در ارزیابی‌های اولیه یک رقابت جهانی برای بهبود پیش‌بینی‌های بلندمدت‌تر از چند روز و در مقیاس زیر‌فصلی عملکرد برجسته‌ای داشت. قابلیت‌های آن کاربردهای عملی مهمی نیز دارد؛ از جمله بهبود پیش‌بینی بارش‌های موسمی که برای کشاورزان کنیا حیاتی است.
پیش‌بینی‌های هواشناسی مدرن اکنون برای بازه‌های دو هفته‌ای به سطح قابل‌توجهی از دقت رسیده‌اند و پیش‌بینی‌های بلندمدت اقلیمی نیز به‌تدریج دقیق‌تر شده‌اند.
بااین‌حال، در پیش‌بینی‌های زیر‌فصلی، یعنی بازه دو تا شش هفته، همچنان شکاف بزرگی وجود دارد و مدل‌های فعلی در این زمینه عملکرد مطلوبی ندارند.
بهبود پیش‌بینی‌ها در این بازه حساس می‌تواند تصمیم‌گیری‌های مهم در زمینه کشاورزی، مدیریت آتش‌سوزی‌های جنگلی، تخصیص منابع آب و انرژی و آمادگی برای رویدادهای شدید جوی را تسهیل کند.
پژوهشگران مایکروسافت طی سال‌های گذشته، با همکاری شرکای بیرونی، برای حل این مشکل تلاش کرده‌اند.
آن‌ها به‌جای توسعه مدلی دیگر برای رقابت در بازاری که از مدل‌های متعدد اشباع شده است، تصمیم گرفتند خطاهای شناخته‌شده مدل‌های موجود را برطرف کنند.
این رویکرد جدید که «اصلاح احتمالاتی سوگیری» یا PBC نام گرفته، ظرفیت امیدوارکننده‌ای برای تولید پیش‌بینی‌های کاربردی‌تر و دقیق‌تر از دما، بارش و فشار جو نشان داده است.
مدل‌های سنتی مبتنی بر فیزیک، وضعیت فعلی هوا را ارزیابی می‌کنند و با استفاده از اصول علمی حاکم بر رفتار جو و اقیانوس‌ها، شرایط آینده جو را شبیه‌سازی می‌کنند.
در مقابل، مدل‌های جدید هوش مصنوعی با استفاده از حجم عظیمی از داده‌ها آموزش می‌بینند. هر دو روش در پیش‌بینی‌های کوتاه‌مدت عملکرد خوبی دارند، اما به دلیل انباشته‌شدن خطاها و تعاملات پیچیده میان سامانه‌های اقلیمی جهانی و محلی، هیچ‌یک هنوز نمی‌توانند در بازه دو تا شش هفته پیش‌بینی‌های قابل‌اتکایی ارائه دهند.
«خط لوله نوآورانه ما، یعنی PBC، می‌تواند هر مدل دلخواهی را به‌عنوان ورودی دریافت کند، الگوهای خطای آن را بیاموزد و سپس کاستی‌هایش را اصلاح کند. نتیجه این فرایند، پیش‌بینی‌هایی با عملکرد بهتر در بازه زمانی زیر‌فصلی است.»
— لستر مکی، پژوهشگر ارشد اصلی در مرکز پژوهشی نیوانگلند مایکروسافت
پژوهشی که اخیراً در مجله علمی Nature منتشر شده است، توضیح می‌دهد که PBC چگونه با استفاده از یک سامانه یادگیری ماشین کم‌حجم، سوگیری‌های نظام‌مند را در پیش‌بینی‌های تاریخی هر مدل شناسایی می‌کند.
این چارچوب عملکرد بهترین مدل عملیاتی زیر‌فصلیِ اصلاح‌شده برای سوگیری را که از سوی مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی (ECMWF) ارائه شده است، بهبود داده است. بهبود عملکرد در ۹۸ درصد از اهداف پیش‌بینی بارش، ۹۲ درصد از اهداف پیش‌بینی دما و ۹۱ درصد از اهداف پیش‌بینی فشار جو گزارش شده است. این روش عملاً دقت سامانه پیش‌بینی هوش مصنوعی ECMWF با نام AIFS را دو برابر کرده است.
مرکز اروپایی پیش‌بینی‌های میان‌مدت هواشناسی در اوت ۲۰۲۵ رقابت «AI Weather Quest» را آغاز کرد؛ رقابتی زنده و مبتنی بر داده‌های واقعی که با هدف بهبود پیش‌بینی‌های احتمالاتی زیر‌فصلی برگزار می‌شود.
تیم MicroEnsemble، متشکل از پژوهشگران مایکروسافت و همکاران بیرونی، راهکار مبتنی بر PBC خود با نام MicroDuet را به این رقابت ارائه کرد. این سامانه، چارچوب PBC را روی مدل دینامیکی پیشرفته ECMWF و مدل ترکیبی هوش مصنوعی و دینامیک با نام PoET اعمال می‌کند. مدل PoET با استفاده از روش‌های مبتنی بر معماری ترنسفورمر طراحی شده است تا توانایی مجموعه‌های پیش‌بینی در ارائه برآوردهای احتمالاتی را افزایش دهد.
MicroDuet در نخستین دوره سه‌ماهه این رقابت، در تمامی متغیرهای هواشناسی و همه بازه‌های زمانی پیش‌بینی رتبه نخست را کسب کرد و از شش مرکز پیش‌بینی عملیاتی برجسته و ۳۴ تیم بین‌المللی پیشی گرفت.
این سامانه همچنین در ارزیابی پیش‌بینی‌های زنده طی یک سال کامل، بالاترین دقت را نشان داد و توانست وقوع دو طوفان بزرگ زمستانی در ایالات متحده را نزدیک به سه هفته پیش از وقوع پیش‌بینی کند.
رقابت AI Weather Quest بستری کم‌نظیر برای ارزیابی پیش‌بینی‌های زیر‌فصلی در شرایط واقعی فراهم می‌کند.
دکتر جاشوا طالب، دانشمند متخصص پیش‌بینی‌های زیر‌فصلی در ECMWF، گفت دستاوردهای تیم MicroEnsemble نشان می‌دهد که یادگیری ماشین می‌تواند از طریق پردازش پس از تولید پیش‌بینی، دقت سامانه‌های پیش‌بینی دینامیکی سنتی را افزایش دهد.
ECMWF نیز هم‌زمان در حال توسعه سامانه‌ها و ابزارهایی است که دقت، قابلیت اطمینان و کاربردپذیری پیش‌بینی‌های زیر‌فصلی را بهبود می‌دهند و در کنار آن، روش‌های پیش‌بینی کاملاً مبتنی بر داده را پیش می‌برد.
کاربرد عملی PBC در دنیای واقعی
PBC فراتر از محیط آزمایشگاهی، به مقابله با چالش‌های مهم دنیای واقعی کمک می‌کند؛ به‌ویژه در شرق آفریقا.
ژنوویو فلاسپولر مدیریت سازمان غیرانتفاعی Rhiza Research را بر عهده دارد؛ سازمانی که هدف آن بهبود پیش‌بینی‌های آب‌وهوا با استفاده از هوش مصنوعی است.
او با سازمان هواشناسی کنیا (KMSA) همکاری می‌کند و در کنار کارشناسان این سازمان، مرکز مخاطرات اقلیمی (CHC) در دانشگاه کالیفرنیا، سانتا باربارا و مؤسسه فناوری کارلسروهه آلمان (KIT)، برای تهیه پیش‌بینی‌هایی تلاش می‌کند که برای موفقیت کشاورزان خرده‌مالک حیاتی هستند.
فلاسپولر گفت: «پیش‌بینی دقیق آب‌وهوا، اگر در زمان مناسب و از طریق کانال‌های ارتباطی درست به دست مردم برسد، می‌تواند تأثیر چشمگیری بر نتایج فعالیت‌های کشاورزی داشته باشد.»
او افزود: «این مسئله به‌ویژه در شرق آفریقا اهمیت دارد؛ منطقه‌ای که در سال‌های اخیر نوسان‌های شدیدی میان دوره‌های خشکسالی بی‌سابقه و فصل‌های بارندگی کم‌سابقه را تجربه کرده است.»
فلاسپولر به هواشناسان کنیا کمک می‌کند تا روش‌های مدل‌سازی مبتنی بر هوش مصنوعی، از جمله PBC، را ارزیابی و اجرا کنند؛ این همکاری هم‌زمان با آغاز یکی از فصل‌های بارندگی در کنیا ادامه دارد.
پیش‌بینی دقیق در منطقه‌ای که بخش بزرگی از کشاورزی آن به بارندگی وابسته است و زیرساخت‌های آبیاری محدودی دارد، اهمیت اساسی دارد.
تصمیم‌هایی مانند خرید بذر، زمان کاشت و برنامه‌ریزی کوددهی به پیش‌بینی‌های اقلیمی وابسته‌اند. شرایط مطلوب برای کشاورزان، دوره‌ای از بارندگی ملایم و پیوسته است که نه با خشکسالی شدید همراه باشد و نه با رگبارهای سیل‌آسا که می‌توانند محصولات جوان را نابود کنند.
فلاسپولر توضیح داد: «با توجه به اینکه پدیده فعلی ال‌نینو گرم‌ترین نمونه ثبت‌شده است، دولت‌ها و جامعه علوم اقلیمی نگرانی زیادی درباره پیامدهای احتمالی آن دارند.»
او افزود: «نیاز فوری به روش‌های پیش‌بینی قابل‌اتکا و ساده کاملاً احساس می‌شود.»
در فصل بارندگی جاری، PBC به تیم KMSA کمک می‌کند تا هنگام آماده‌سازی پیش‌بینی‌های هفتگی برای سرویس هواشناسی این کشور، احتمال وقوع بارندگی‌های شدید را شناسایی کند.
دکتر فیلیپ اوکلو، هواشناس ارشد KMSA که عملکرد PBC را ارزیابی کرده است، به قابلیت‌های این چارچوب خوش‌بین است.
«روش‌های سنتی اصلاح سوگیری فقط مقدار بارش پیش‌بینی‌شده را تغییر می‌دهند. اما PBC احتمال‌های زیربنایی پیش‌بینی را اصلاح می‌کند و در منطقه شاخ بزرگ آفریقا، در مقایسه با تمام روش‌هایی که ارزیابی کرده‌ایم، به دقت بیشتری دست یافته است.
مرحله بعدی، بهبود پیش‌بینی‌های این سامانه درباره بارندگی‌های شدید و خشکسالی است؛ دو موضوعی که برای فعالان بخش کشاورزی اهمیت حیاتی دارند.»
— فیلیپ اوکلو، هواشناس ارشد سازمان هواشناسی کنیا
فلاسپولر با اشاره به الگوهای غیرقابل‌پیش‌بینی آب‌وهوا در سال‌های اخیر، بر فوریت این تلاش‌ها تأکید می‌کند.
او گفت: «با دشوارتر شدن پیش‌بینی بارش، باید روش‌های خود را پیوسته بهبود دهیم.»
او افزود: «برای این کار باید روش‌های تازه و یافته‌های علمی دقیق‌تر را به‌طور مستمر به کار بگیریم تا کشاورزان به بهترین اطلاعات ممکن دسترسی داشته باشند.»
موفقیت روزافزون PBC نشان می‌دهد که دستیابی به پیشرفت‌های قابل‌توجه در دقت پیش‌بینی‌ها امکان‌پذیر است. هرچند فصل کشاورزی هنوز در مراحل ابتدایی قرار دارد، بازخوردهای اولیه امیدوارکننده به نظر می‌رسند.
در کنیا، مردم با امیدواری در انتظار بارندگی هستند. پیش‌بینی‌های تخصصی زیر‌فصلی PBC که برای بهبود عملکرد در مقیاس محلی تنظیم شده‌اند، به پیش‌بینی‌کنندگان منطقه‌ای امکان می‌دهند خروجی مدل‌های جهانی را با نیازهای کشور خود سازگار کنند.
فلاسپولر در پایان گفت: «این فناوری آمادگی ما را برای فصل بارندگی جاری به میزان قابل‌توجهی بهبود داده و انتشار اطلاعات برای کشاورزان را تسهیل کرده است.»
مسیر آینده PBC
با توجه به نتایج امیدوارکننده PBC در ارزیابی‌های آزمایشی و نخستین کاربردهای میدانی، مایکروسافت به‌طور فعال در حال بررسی کاربردهای بیشتر و راه‌های ارتقای این فناوری است.
این بررسی‌ها شامل شناسایی بخش‌هایی است که می‌توانند بیشترین بهره را از ابزارهای مبتنی بر PBC ببرند و نیز تعیین مدل‌های هواشناسی‌ای که اصلاحات مبتنی بر یادگیری ماشین می‌تواند عملکرد آن‌ها را به‌طور چشمگیری بهبود دهد.
انتظار می‌رود این بررسی‌ها پرسش‌های پژوهشی تازه‌ای مطرح کنند و زمینه پیشرفت‌های بیشتر در این فناوری را فراهم آورند.
یکی از نمونه‌های قابل‌توجه، مدل زیر‌فصلی تا فصلی (S2S) مایکروسافت ودر است که راهنمایی‌های احتمالاتی هفتگی را تا شش هفته آینده ارائه می‌دهد.
این مدل وارد مرحله بهره‌برداری بلادرنگ شده و اکنون در قالب پیش‌نمایش خصوصی در دسترس گروهی از مشتریان منتخب قرار دارد تا به‌عنوان بخشی از مجموعه جامع راهکارهای هواشناسی مایکروسافت ودر آن را آزمایش کنند.
تیم مایکروسافت ودر با استفاده از روش‌های پیش‌بینی مبتنی بر هوش مصنوعی، قابلیت‌های هواشناسی را در پلتفرم‌هایی مانند ویندوز، بینگ، کوپایلوت، اج، MSN و دیگر محصولات مایکروسافت ارائه می‌دهد. این تیم داده‌های هواشناسی باکیفیتی فراهم می‌کند که به کسب‌وکارها در اتخاذ تصمیم‌های مهم عملیاتی و تجاری کمک می‌کنند.
سازمان‌ها و شرکت‌هایی که مایل‌اند از مدل S2S برای مصارف تجاری یا سازمانی استفاده کنند، می‌توانند با تیم مایکروسافت ودر تماس بگیرند.
علاوه بر این، چارچوب PBC اکنون به‌صورت نرم‌افزار متن‌باز در دسترس است و پژوهشگران و توسعه‌دهندگان می‌توانند آن را بررسی، آزمایش و توسعه دهند.
هدف این است که همکاری با جامعه گسترده‌تر فعالان حوزه پیش‌بینی ادامه یابد تا این فناوری و کاربردهای بالقوه آن بیش از پیش توسعه پیدا کنند.
منبع: مایکروسافت.