هوش مصنوعی دقت پیش بینی آب و هوا را بالا می برد

از آنجایی که تغییرات اقلیمی، وضعیت آب و هوا را غیرقابل پیش‌بینی‌تر و متغیرتر می‌کند، به پیش‌بینی‌های قابل اعتمادتری نیاز داریم تا به ما در آماده‌سازی و جلوگیری از وقوع بلایا کمک کنند.

به گزارش تکناک، امروزه هواشناسان از شبیه سازی های کامپیوتری عظیم برای پیش بینی های خود استفاده می کنند. با این وجود، تکمیل آنها ساعت ها طول می کشد، زیرا دانشمندان باید متغیرهای آب و هوا مانند دما، بارش، فشار، باد، رطوبت و شرایط ابری را یک به یک تجزیه و تحلیل کنند.

با این حال، دو مقاله منتشر شده در نیچر نشان می‌دهند که سیستم‌های هوش مصنوعی یا AI (artificial intelligence : field of computer science and engineering practices for intelligence demonstrated by machines and intelligent agents) جدید می‌توانند به طور قابل‌توجهی این فرآیند را تسریع کنند و پیش‌بینی‌ها و هشدارهای هوای شدید را دقیق‌تر کنند.

اولین مورد که توسط هوآوی توسعه داده شده است، توضیح می دهد که چگونه مدل جدید هوش مصنوعی آن، Pangu-Weather، می تواند الگوهای آب و هوای هفتگی در سراسر جهان را بسیار سریعتر از روش های پیش بینی سنتی، اما با دقت قابل مقایسه، بررسی کند.

مورد دوم نشان می دهد که چگونه یک الگوریتم یادگیری عمیق قادر به پیش بینی بارش های شدید با دقت و توجه بیشتر نسبت به سایر روش های پیشرو بوده است و در حدود 70 درصد موارد در آزمایش ها در برابر سیستم های موجود مشابه رتبه اول را کسب کرده است.

لینگشی زی، محقق ارشد هوآوی می‌گوید در صورت پذیرفته شدن، این مدل‌ها می‌توانند در کنار روش‌های متداول پیش‌بینی آب‌وهوا برای بهبود توانایی مقامات برای آمادگی در برابر آب و هوای بد استفاده شوند.

برای ساخت Pangu-Weather، محققان هوآوی یک شبکه عصبی عمیق آموزش‌دیده بر اساس داده‌های ۳۹ ساله تحلیل مجدد شده ساختند که مشاهدات آب و هوای تاریخی را با مدل‌های مدرن ترکیب می‌کند.

برخلاف روش‌های مرسوم که متغیرهای آب‌وهوا را یک‌به‌دیگر تجزیه و تحلیل می‌کنند، که ممکن است ساعت‌ها طول بکشد، Pangu-Weather قادر است همه آن‌ها را در یک مرحله و در زمانی در حدود یک ثانیه تجزیه و تحلیل کند.

محققان Pangu-Weather را در برابر یکی از پیشروترین سیستم‌های پیش‌بینی آب و هوای مرسوم در جهان، سیستم پیش‌بینی یکپارچه عملیاتی مرکز اروپایی برای پیش‌بینی میان مدت وضع‌ هوا (ECMWF) آزمایش کردند و دریافتند که دقت مشابهی ایجاد می‌کند.

Pangu-Weather همچنین قادر به ردیابی دقیق مسیر یک طوفان استوایی بود، علیرغم اینکه با داده های مربوط به طوفان های استوایی آموزش ندیده بود. الیور فورر، رئیس بخش پیش بینی عددی در MeteoSwiss، اداره فدرال هواشناسی و اقلیم شناسی سوئیس می گوید. این یافته نشان می‌دهد که مدل‌های یادگیری ماشینی می‌توانند فرآیندهای فیزیکی آب و هوا را درک کرده و آنها را به موقعیت‌هایی تعمیم دهند که قبلاً ندیده‌اند. او در تحقیق شرکت نداشت.

فورر می‌گوید: Pangu-Weather هیجان‌انگیز است زیرا می‌تواند آب و هوا را بسیار سریع‌تر از آنچه دانشمندان قبلا می‌توانستند پیش‌بینی کند و چیزهایی را پیش‌بینی کند که در داده‌های آموزشی اولیه آن نبود

در سال گذشته، چندین شرکت فناوری از مدل‌های هوش مصنوعی با هدف بهبود پیش‌بینی آب‌وهوا رونمایی کردند. پیتر دوبن، رئیس بخش مدل‌سازی سیستم زمین در ECMWF می‌گوید Pangu-Weather و مدل‌های مشابه، مانند FourcastNet انویدیا و GraphCast  گوگل دیپ مایند، هواشناسان را وادار می‌کنند در نحوه استفاده ما از یادگیری ماشینی و پیش‌بینی آب‌وهوا تجدیدنظر کنند. او در این تحقیق شرکت نداشت اما Pangu-Weather را آزمایش کرده است.

دوبن می گوید، پیش از این، یادگیری ماشینی بیشتر به عنوان یک پروژه آموزشی تلقی می شد. اما اکنون به نظر می رسد که هواشناسان بتوانند از آن در کنار روش های مرسوم برای پیش بینی های خود استفاده کنند.

زمان نشان خواهد داد که این سیستم ها در عمل چقدر خوب عمل می کنند. سیستم‌های متداول پیش‌بینی آب و هوا بر روی داده‌های رصدی آموزش داده می‌شوند، در حالی که Pangu-Weather بر داده‌های تحلیل مجدد متکی است. زی می گوید که امیدوارند در آینده مدل خود را بر روی داده های رصدی آموزش دهند.

در حالی که هوش مصنوعی می تواند به پیش بینی مسیر طوفان های استوایی کمک کند، نمی تواند شدت آنها را پیش بینی کند. زی می گوید: هوش مصنوعی (توانایی سیستم ها برای درک، ترکیب و استنتاج اطلاعات) تمایل دارد آب و هوای خشن را دست کم بگیرد.

با این حال، سایر مدل‌های هوش مصنوعی ممکن است در این مورد کمک کنند. یک مدل هوش مصنوعی مولد مبتنی بر فیزیک به نام NowcastNet می‌تواند باران شدید را با زمان انجام طولانی‌تری نسبت به روش‌های مرسوم موجود پیش‌بینی کند.

ابزارهای پیش‌بینی باران با یادگیری عمیق، مانند DGMR DeepMind، می‌توانند احتمال بارش باران را در 90 دقیقه آینده پیش‌بینی کنند. همچنین NowcastNet قادر است تا سه ساعت قبل، بارش باران شدید را پیش‌بینی کند. شصت و دو هواشناس چینی این سامانه را در برابر سایر سامانه های مشابه ارزیابی کردند و به این نتیجه رسیدند که در حدود 70 درصد موارد بهترین روش پیش بینی باران است.

زی می‌گوید این تیم یک مدل مولد عمیق ساخته است که بر روی داده‌های جمع‌آوری‌شده از رادارهای مختلف آب‌وهوا و فناوری‌های دیگر مانند سنسورها و ماهواره‌ها آموزش داده می‌شود. این مدل همچنین بر اساس اصول فیزیک اتمسفر به عنوان مثال گرانش و داده‌های رادار تغذیه می‌شود که عکس‌های فوری از الگوهای آب و هوا را ارائه می‌دهند. سپس مدل می تواند سناریوی احتمالی بعدی را برای الگوی آب و هوا ایجاد کند.

از آنجایی که مدل‌های دیگر، مانند DGMR، فقط بر روی داده‌های راداری آموزش داده می‌شوند، تنها یک عکس فوری از جو دارند. این منجر به نتایج دقیق کمتری برای رویدادهای نادر مانند بارندگی شدید می شود. از آنجایی که NowcastNet بر پایه فیزیک است، محققان می گویند که مدل آنها می تواند دید جامع تری از باران و نحوه رفتار آن داشته باشد که منجر به پیش بینی های دقیق تری می شود.

هوش مصنوعی می‌تواند به مردم کمک کند تا زمانی که صحبت از پیش‌بینی‌های کوتاه‌مدت در مورد رویدادهای آب و هوایی مانند بارندگی می‌شود، زمان بیشتری بخرند. مایکل آی جردن، دانشمند کامپیوتر در دانشگاه کالیفرنیا، برکلی، که بر روی این مطالعه کار کرده است، می گوید: باران شدید باعث مرگ و میر و ویرانی عظیم می شود و توانایی پیش بینی آن در یک بازه زمانی که به افراد فرصتی برای آماده شدن می دهد بسیار مهم است.

هنوز روزهای اولیه برای پیش بینی آب و هوا مبتنی بر هوش مصنوعی است، و باید دید که این سیستم ها واقعا در عمل چقدر مفید خواهند بود. دوبن می گوید، تغییرات آب و هوایی نیز ممکن است تصویر را پیچیده کند.

سیستم آب و هوا به شدت در حال تغییر است. بنابراین ناگهان تمام یخ های قطب شمال ناپدید می شوند هیچ کس نمی داند مدلی مانند Pangu-Weather چه کاری انجام خواهد داد.