پیش بینی آب و هوا ممکن است به لطف یک منبع غیرمنتظره، ارتقاء قابل توجهی پیدا کند. این منبع همان هوش مصنوعی است که برای بررسی اسکن های مغزی پزشکی استفاده می شود.

به گزارش ایسنا، دانشمندان چینی یک سامانه هوش مصنوعی جدید را توسعه داده اند که می تواند پیش بینی های آب و هوای پنج روزه را در عرض چند ثانیه تولید کند، در حالی که مدل های ابررایانه ای قدیمی که هزینه های عملیاتی میلیون دلاری دارند، ساعت ها یا روزها برای انجام چنین کاری به زمان نیاز دارند.

به نقل از اس اف، این مطالعه نحوه پیش بینی آب و هوا، از باران آخر هفته گرفته تا طوفان های خطرناک توسط هواشناسان را تغییر می دهد.

در حالی که خدمات هواشناسی در سراسر جهان به سامانه های عظیم پیش بینی عددی آب و هوا متکی هستند که معادلات پیچیده فیزیک را حل می کنند، این روش جدید الگوها را مستقیماً از دهه ها داده های تاریخی آب و هوا یاد می گیرد.

دانشمندان گفتند: روش های مبتنی بر یادگیری عمیق به جایگزین هایی برای سامانه های سنتی پیش بینی عددی آب و هوا تبدیل شده اند که محاسبات سریع تر و قابلیت استفاده از مجموعه داده های تاریخی بزرگ را ارائه می دهند. روش های پیش بینی قدیمی به دلیل تقریبات در فرآیندهای پیچیده جوی و ماهیت آشوبناک جو که خطاها را در زمان های طولانی تر افزایش می دهد، با محدودیت هایی روبرو هستند.

این تیم مطالعاتی به سرپرستی کنگ چی کائو (Congqi Cao) از دانشگاه پلی تکنیک شیان (Xi’an) در چین دریافت که مدل های هوش مصنوعی که در ابتدا برای شناسایی تومورها و تجزیه و تحلیل اسکن مغز طراحی شده بودند، در تشخیص الگوهای آب و هوایی در مناطق مختلف برتری دارند. این مدل های تصویربرداری پزشکی در پیش بینی های منطقه ای با داده های تاریخی محدود، بر سامانه های هوش مصنوعی مخصوص آب و هوا سنتی برتری داشتند. مدل های جهانی آب و هوای سنتی برای کار با مجموعه داده های عظیم که کل سیاره را پوشش می دهند طراحی شده اند، اما هنگام تمرکز بر مناطق خاصی که داده ها ممکن است کمیاب باشند، دچار مشکل می شوند.

هوش مصنوعی تصویربرداری پزشکی به خوبی برای پیش بینی آب و هوا کار می کند، زیرا هر دو شامل شناسایی الگوهای پیچیده در داده های چندبعدی هستند. این شناسایی ها هم می تواند شامل تمایز بافت سالم از تومورها باشد و هم می تواند شامل تشخیص شرایط جوی که نشان دهنده طوفان های قریب الوقوع است، باشد.

پژوهشگران به جای تکیه بر روش های سنتی که یا تمام گام های زمانی آینده را به یکباره پیش بینی می کنند یا پیش بینی ها را گام به گام می سازند همراه با خطاهای انباشته شده، رویکرد جدید پیش بینی آبشاری (cascade prediction) را توسعه دادند. این روش پیش بینی، پنج روز آینده را با مدل های هوش مصنوعی جداگانه به بخش های کوچکتر تقسیم می کند. این مدل ها برای پیش بینی هر بخش آموزش داده شده اند و اطلاعات پیش بینی های قبلی را نیز در بر می گیرند.

این تیم همچنین تکنیک نویز گاوسی (Gaussian noise) قابل یادگیری را معرفی کرد. این تکنیک به هوش مصنوعی اجازه می دهد تا میزان تصادفی بودن را که باید در طول آموزش به مناطق جغرافیایی مختلف اضافه شود، یاد بگیرد. روش های متداول که مقادیر ثابتی از تغییرات تصادفی را اضافه می کنند، در واقع پیش بینی ها را بدتر می کردند، اما این رویکرد قابل یادگیری دقت را بهبود بخشید.

نویز گاوسی یک نویز استاتیکی است که از تابع توزیع چگالی احتمال نرمال یا تابع گاوسی پیروی می کند؛ یعنی، مقادیر این نویز، توزیع گاوسی دارند.

این تیم روش خود را با استفاده از داده های آب و هوایی از سال 2007 تا 2016 در سراسر شرق آسیا که شامل 70 متغیر آب و هوایی مختلف از دما و رطوبت گرفته تا الگوهای باد و بارش اندازه گیری شده در هر 6 ساعت است، آزمایش کرد.

عملکرد مدل های هوش مصنوعی آب و هوا نسبت به سامانه های سنتی بهتر است

نتایج نشان داد که مدل های هوش مصنوعی آب و هوا 20 درصد بهتر از سامانه های سنتی عمل می کنند. هنگام مقایسه انواع مختلف مدل ها، مدل های تصویربرداری پزشکی به طور مداوم از سامانه های پیش بینی آب و هوای هوش مصنوعی تثبیت شده بهتر عمل کردند. بالاترین مدل هوش مصنوعی سنتی پیش بینی آب و هوا با نام فورکست نت (FourCastNet) امتیاز 0/2897 را کسب کرد، در حالی که بهترین مدل تصویربرداری پزشکی موسوم به میس فرمر (MISSFormer) به امتیاز 0/3147 رسید.

روش پیش بینی آبشاری ، بهبود چشمگیرتری را نشان داد. این رویکرد جدید به امتیاز 0/4048 دست یافت که روش های پیش بینی استاندارد را با اختلاف زیاد پشت سر گذاشت. در این روش با ترکیب تمام عناصر، سامانه نهایی به امتیاز 0/4313 رسید که نشان دهنده بهبود تقریباً 20 درصدی نسبت به روش های پایه است.

رویکرد سریع تر و ارزان تر پیش بینی آب و هوا می تواند دسترسی را متحول کند. این پیشرفت ها محدودیت های کلیدی زیرساخت فعلی پیش بینی آب و هوا را برطرف می کنند. مدل های سنتی پیش بینی عددی آب و هوا، به ابررایانه ها با کارایی بالا نیاز دارند و پیش بینی ها را در عرض چند ساعت یا روز تولید می کنند، در حالی که سامانه هوش مصنوعی جدید نتایج را در عرض چند ثانیه تولید می کند.

افزایش کارایی محاسباتی می تواند پیش بینی آب و هوا را مردمی تر کند و به خدمات هواشناسی کوچکتر یا مناطق در حال توسعه اجازه دهد تا بدون سرمایه گذاری در زیرساخت های ابررایانه ای گران قیمت، به پیش بینی هایی با کیفیت بالا دسترسی پیدا کنند. در حال حاضر، تنها خدمات اصلی هواشناسی و سازمان های دولتی توانایی مالی منابع محاسباتی لازم برای مدل سازی دقیق آب و هوا را دارند.

این روش محدودیت هایی نیز دارد. این مطالعه به طور خاص بر پیش بینی منطقه ای برای شرق آسیا با استفاده از مجموعه داده استاندارد تمرکز داشت. عملکرد این روش در سایر مناطق جغرافیایی یا شرایط آب و هوایی نیازمند اعتبارسنجی بیشتر است. بهبود دقت و دسترسی به پیش بینی ها با افزایش فراوانی و هزینه رویدادهای آب و هوایی شدید به دلیل تغییرات آب و هوایی، می تواند مزایای اجتماعی عمده ای داشته باشد و به طور بالقوه پیش بینی های آب و هوایی نجات بخش را سریع تر و در دسترس تر از همیشه کند.

این یافته ها بسیار امیدوارکننده هستند، با این حال سامانه هوش مصنوعی مورد بحث برای پیش بینی های منطقه ای در شرق آسیا طراحی شده و هنوز در سطح جهانی تأیید نشده است. عملکرد آن ممکن است در شرایط جغرافیایی یا آب و هوایی مختلف متفاوت باشد.

این مطالعه در مجله Atmospheric and Oceanic Science Letters منتشر شده است.