پژوهشگران چارچوب یادگیری ماشینی جدیدی برای بهبود پیش‌بینی‌های بلندمدت هواشناسی توسعه دادند
پیش‌بینی وضعیت هوا همواره با محدودیتی زمانی روبه‌رو بوده است؛ بیشتر مدل‌های هواشناسی نمی‌توانند شرایط جوی را با دقت کافی برای بازه‌های زمانی طولانی پیش‌بینی کنند. با این حال، گروهی از پژوهشگران مؤسسه فناوری ماساچوست (MIT) می‌گویند سامانه‌ای توسعه داده‌اند که می‌تواند این محدودیت را تغییر دهد.
پیش‌بینی وضعیت هوا
هواشناسان برای پیش‌بینی وضعیت هوا از مدل‌های مبتنی بر فیزیک ریاضی استفاده می‌کنند. این مدل‌ها به پیش‌بینی دما، بارش و همچنین رویدادهای شدید جوی کمک می‌کنند.
اگرچه دقت پیش‌بینی‌های کوتاه‌مدت و بلندمدت در سال‌های اخیر افزایش یافته است، توانایی پیش‌بینی شرایط جوی همچنان محدودیت دارد و نمی‌توان وضعیت هوا را تا هر اندازه‌ای در آینده با دقت پیش‌بینی کرد.
پیش‌بینی‌ها عمدتاً بر پایه مدل‌های «دینامیکی» انجام می‌شوند؛ مدل‌هایی که نحوه واکنش جو و اقیانوس‌ها به شرایط جوی در یک زمان مشخص را شبیه‌سازی می‌کنند. معادلات این مدل‌ها نیز بر اساس تغییرات شرایط آب‌وهوایی به‌صورت پیوسته به‌روزرسانی می‌شوند.
اما شرایط جوی دائماً تغییر می‌کند و در نتیجه، داده‌هایی که در آغاز وارد مدل می‌شوند، تقریباً بلافاصله از وضعیت واقعی فاصله می‌گیرند. دو هفته پس از شروع اجرای مدل، عدم‌قطعیت ناشی از این تغییرات به حدی افزایش می‌یابد که پیش‌بینی دقیق رویدادهای احتمالی دشوار می‌شود.
این محدودیت که با عنوان «نظریه آشوب» شناخته می‌شود، یکی از دلایلی است که هواشناسان پیش‌بینی‌های خود را مرتب به‌روزرسانی می‌کنند و پیش‌بینی وضعیت هوا برای بیش از دو هفته را خارج از محدوده قابلیت پیش‌بینی می‌دانند. این مسئله به‌ویژه در مواجهه با رویدادهای شدید جوی مانند سیل، طوفان‌های حاره‌ای و توفان‌های یخی می‌تواند مشکل‌ساز باشد.
به‌کارگیری هوش مصنوعی برای مقابله با آشوب جوی
پژوهشگران MIT در مطالعه‌ای که ۱۴ اکتبر در مجله Nature منتشر شد، بررسی کردند که چگونه می‌توان با استفاده از چارچوب یادگیری ماشینی، عدم‌قطعیت پیش‌بینی‌ها را کاهش داد و زمان بیشتری برای آماده‌شدن در برابر رویدادهای شدید جوی فراهم کرد.
در این مطالعه آمده است: «افق دو هفته‌ای همچنین نقطه گذار در قابلیت پیش‌بینی را مشخص می‌کند؛ پس از این بازه، حتی تفاوت‌های کوچک در شرایط اولیه آب‌وهوا می‌توانند به نتایجی کاملاً متفاوت منجر شوند و یک پیش‌بینی قطعی به‌تنهایی نمی‌تواند این عدم‌قطعیت را منعکس کند.»
سامانه‌های یادگیری ماشینی با شناسایی الگوها در مجموعه‌داده‌ها، پیش‌بینی‌ها را بهبود می‌دهند.
بر اساس این مطالعه، گروه پژوهشی چارچوبی با عنوان «اصلاح احتمالاتی سوگیری» را روی مدل‌های دینامیکی و مدل‌های هوش مصنوعی مرکز اروپایی پیش‌بینی‌های میان‌مدت وضع هوا (ECMWF) اعمال کرد.
در مطالعه آمده است: «پیش‌بینی‌های حاصل برای استفاده عملیاتی طراحی شده‌اند و در رقابت‌های بلادرنگ، عملکرد بهتری از بهترین سامانه‌های جایگزین پیش‌بینی، شامل سامانه‌های دینامیکی، هوش مصنوعی و مدل‌های ترکیبی متعلق به مراکز پیش‌بینی و رقبای سراسر جهان دارند.»
پژوهشگران دریافتند که روش آن‌ها در هر سه شاخص مورد بررسی، یعنی دما، فشار و بارش، بیش از ۹۰ درصد بهبود ایجاد کرده است.
مدل آن‌ها با نام «MicroDuet» که مدل‌های ECMWF اصلاح‌شده با روش اصلاح احتمالاتی سوگیری را با یکدیگر ترکیب می‌کند، در رقابت بین‌المللی برگزارشده از سوی ECMWF در سال ۲۰۲۵ بهترین عملکرد را داشت. به گفته این مطالعه، این نخستین بار بود که یک مدل پیش‌بینی در چنین بازه زمانی‌ای توانست از میانگین‌های بلندمدت عملکرد بهتری در پیش‌بینی داشته باشد.
نویسندگان مطالعه معتقدند سازوکار اصلاح خطای تعبیه‌شده در مدل‌های دینامیکی معمولاً پیش‌بینی‌ها را دوباره به سمت میانگین سوق می‌دهد؛ در مقابل، روش آن‌ها به مدل اجازه می‌دهد دامنه گسترده‌تری از وضعیت‌های احتمالی را بررسی کند.