مدل آب و هوای تقویت‌شده با هوش مصنوعی قدرت پیش‌بینی را دو تا شش هفته دو برابر می‌کند

ویرایش شده توسط گابی کلارک، بررسی توسط رابرت ایگان

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

در سال 2021، تگزاس پس از سه طوفان شدید زمستانی در ماه فوریه، با بدترین شکست زیرساخت های انرژی در تاریخ ایالت مواجه شد. حداقل 246 نفر در نتیجه این اختلالات کشته شدند که منجر به کمبود غذا، آب، گرما و برق شد.

اگر مقامات انرژی زمان بیشتری برای آماده شدن برای طوفان‌ها داشتند، برای مثال با آوردن کامیون‌های گاز طبیعی بیشتر به مناطق مختل شده، آسیب‌های ناشی از این رویداد می‌توانست کاهش یابد. متأسفانه، پیش‌بینی‌های آب‌وهوای بیش از دو هفته به‌طور مشهور غیرقابل اعتماد هستند و پنجره‌ای تنگ‌تر را برای اپراتورهای انرژی، کشاورزان و مقامات واکنش اضطراری در سراسر جهان ایجاد می‌کنند.

یک تکنیک جدید توسط یک تیم از محققان MIT پیش بینی آب و هوا را بیش از دو هفته بهبود می بخشد. محققان یک مدل یادگیری ماشینی ایجاد کردند که یاد می‌گیرد اشتباهات را در مدل‌های پیش‌بینی موجود تصحیح کند تا خروجی آنها را در بازه زمانی دو تا شش هفته بهبود بخشد. هنگامی که برای یک مدل پیش‌بینی استاندارد طلا اعمال شد، دقت پیش‌بینی را در آن بازه زمانی دوبرابر کرد و در یک رقابت برجسته بین‌المللی پیش‌بینی رتبه اول را کسب کرد.

در مقاله جدیدی در نیچر، محققان رویکرد خود را توصیف کرده و نشان می‌دهند که چگونه پیش‌بینی‌هایی را امکان‌پذیر می‌کند که برای اولین بار میانگین‌های اقلیم‌شناسی را بین دو تا شش هفته شکست دهند.

جودا کوهن، یکی از نویسندگان و دانشمند تحقیقاتی MIT می گوید: «این نه تنها در پیش بینی های میانگین زمانی برای این محدوده، که در حال حاضر برای کشاورزان و اعضای صنعت انرژی که تلاش می کنند عرضه را با تقاضا مطابقت دهند، بسیار مفید است، بهتر عمل می کند، بلکه پیش بینی رویدادهای آب و هوایی شدید، خواه سیل یا سرما و یا چیز دیگری را بهبود می بخشد. "پیش بینی هر دو واقعا مهم است، اما رویدادهای شدید ممکن است تاثیرگذارترین بخش این امر برای جامعه باشد."

به کوهن در این مقاله می‌پیوندند. سوکاینا مواتدید، پسادکتری از دانشگاه تورنتو. Genevieve Flaspohler SM '18, Ph.D. '22; پائولو اورنشتاین، دانشیار موسسه ملی ریاضیات محض و کاربردی برزیل؛ جرمی برمن از شرکت داده DTN; Jakob Schloer و Joshua Talib، محققان مرکز اروپا برای پیش‌بینی هوای میان‌برد؛ و الکس لو، هایو دونگ، جاناتان وین، زکون نی و لستر مکی، همگی از محققان مایکروسافت.

در دهه 1970، ادوارد لورنز، استاد قدیمی MIT، ایده تئوری آشوب را مطرح کرد تا توضیح دهد که چگونه تغییرات کوچک در شرایط آب و هوایی اولیه منجر به نتایج کاملا متفاوتی می شود.

کوهن می‌گوید: «او به این محدودیت نظری دو هفته‌ای رسید که فراتر از آن، ما فقط نمی‌توانیم آب و هوا را پیش‌بینی کنیم، زیرا نویز در سیستم به‌قدری افزایش می‌یابد که هر سیگنالی را که با آن شروع می‌کنید، تحت تأثیر قرار می‌دهد.» "این تأثیر قوی بر این زمینه داشت که ممکن است مردم را از کاوش در پیش بینی فراتر از محدوده دو هفته ای باز داشته باشد. من واقعا هرگز این را کاملا باور نکردم.

"در تئوری جو می تواند بی نهایت الگو ایجاد کند، اما دوست دارد بارها و بارها در این الگوهای مورد علاقه بیفتد. زمانی که یک چیز اتفاق می افتد، فکر می کنم می توانید دومینویی را که بعد از آن سقوط می کند و دومینویی که بعد از آن سقوط می کند را پیش بینی کنید."

امروزه بهترین پیش‌بینی‌های آب‌وهوا یا از مدل‌های دینامیکی که به صورت عددی چگونگی تکامل جو و اقیانوس‌ها در طول زمان را شبیه‌سازی می‌کنند، یا مدل‌های هوش مصنوعی، که یاد می‌گیرند از داده‌های آب‌وهوای تاریخی پیش‌بینی کنند، به دست می‌آیند. مدل‌های هوش مصنوعی پیشرفت‌هایی در پیش‌بینی آب‌وهوا در بردهای کوتاه نشان داده‌اند، اما حتی بدتر از مدل‌های دینامیکی در بازه‌های زمانی طولانی‌تر هستند.

کوهن که در دپارتمان مهندسی عمران و محیط زیست MIT مستقر است، بر پیش بینی آب و هوا از دو تا شش هفته قبل تمرکز می کند که به عنوان پیش بینی زیر فصلی شناخته می شود.

کوهن می‌گوید: «این محدوده به عنوان «بیابان قابل پیش‌بینی» نامیده می‌شود، زیرا در محدوده کوتاه می‌توانید از شرایط اولیه در سیستم آب و هوا و جو استفاده کنید، و در طولانی‌مدت این نیروهای مرزی آهسته و متغیر را خواهید داشت، مانند سوپر ال نینو که همه بر روی زمستان امسال تمرکز کرده‌اند. "محدوده زیر فصلی نمی تواند از هیچ یک از اینها استفاده کند. در بیشتر موارد پیش بینی در محدوده های زیر فصلی با رفتن به کازینو و تاس انداختن تفاوتی ندارد."

کوهن ایده اولیه استفاده از یادگیری ماشینی برای کاهش خطاها در مدل‌های پیش‌بینی را به نویسنده همکار خود مکی، که بیش از یک دهه با او همکاری می‌کند، می‌داند.

کوهن می گوید: «ما این لفاف را ساختیم – لستر آن را پس پردازش می نامد. ما می دانیم که مدل های هوش مصنوعی دارای خطاهای زیادی هستند، بنابراین فکر کردیم شاید بتوانیم این خطاها را کمیت کنیم و آنها را حذف کنیم.

در حالی که سایر سیستم های پیش بینی ساده تر تصحیح خطا را انجام می دهند، لایه پس پردازش تیم تحقیقاتی از هوش مصنوعی برای درس گرفتن از اشتباهات یک سیستم پیش بینی بر اساس داده های تاریخی استفاده می کند و پیش بینی های آن را تغییر می دهد. در آن بازه زمانی، پیش‌بینی‌کنندگان از پیش‌بینی‌های احتمالی استفاده می‌کنند که در آن احتمال طیف وسیعی از احتمالات داده می‌شود.

کوهن می‌گوید: «با در دسترس قرار گرفتن پیش‌بینی‌ها و داده‌های بیشتر، مدل ما به‌طور تطبیقی ​​اصلاح آن را بهبود می‌بخشد.

برای ساخت این مدل، محققان از MIT Engaging، یک خوشه ابرکامپیوتری که توسط دفتر محاسبات و داده های تحقیقاتی MIT میزبانی می شود، استفاده کردند، اما مدل به دست آمده برای اجرا به ابررایانه نیاز ندارد.

برای آزمایش مدل خود، سال گذشته تیم تحقیقاتی سه مدل را که شامل لایه پس پردازش آنها می‌شد، به مرکز اروپایی پیش‌بینی‌های هوای متوسط ​​(ECMWF) که بهترین مرکز پیش‌بینی در جهان محسوب می‌شود، ارائه کرد. هر فصل ECMWF مسابقات پیش بینی بین مدل ها را برگزار می کند.

ارسالی که رتبه اول را کسب کرد، مدل پیش‌بینی ECMWF را با مدل دیگری ترکیب کرد و سپس تصحیح پس پردازش را در بالا اعمال کرد. این رویکرد منجر به دو برابر شدن قدرت پیش‌بینی مدل اصلی در محدوده زیر فصلی شد. برای اولین بار، این مدل نسبت به تکیه بر میانگین‌های اقلیم‌شناسی بهبودی ارائه کرد.

کوهن می‌گوید: «تا به حال، هیچ‌کس نتوانسته بود مدلی را نشان دهد که آب و هوا را بهتر از میانگین‌های بلندمدت برای این پیش‌بینی‌های زیر فصلی پیش‌بینی کند». "همه آنها تقریبا بدتر از این بوده اند - شما می توانید به معنای واقعی کلمه یک سکه را برگردانید و بهتر عمل کنید. مردم این سوال را مطرح کرده اند که آیا اصلا ارزش سرمایه گذاری روی مدل ها برای این بازه زمانی را دارد یا خیر. ما به طور مداوم میانگین های اقلیم شناسی را با مدل های خود شکست می دهیم."

این مدل همچنین از نظر آماری بهبود قابل توجهی در توانایی پیش بینی آب و هوای شدید نشان داد.

کوهن می‌گوید: «این یکی از یافته‌های مهم‌تر است، زیرا انجام آن بسیار دشوار است. زمانی که ECMWF تصحیح خطای خود و بدون هوش مصنوعی را در مدل خود توسعه داد، در پیش‌بینی آب و هوای شدید بدتر شد. من فکر می‌کنم این به این دلیل است که اشتباه سنتی یا تعصب، اصلاح همیشه سعی می‌کند به میانگین برسد، در حالی که آب و هوای شدید در حاشیه احتمالات است.»

در این مقاله، تیم نشان داد که تکنیک آنها می تواند برای بهبود پیش بینی زمین در بیشتر مناطق در سراسر جهان استفاده شود. آنها همچنین تکنیک تصحیح سوگیری خود را برای مدل‌های دیگر به کار بردند و نشان دادند که آن‌ها را نیز بهبود می‌بخشد، و حتی مدل‌های کمتری را همتراز با پیش‌بینی‌های ECMWF قرار می‌دهد.

کوهن توضیح می‌دهد: «چیزی که در مورد مدل ما خوب است این است که یک بسته‌بندی الحاقی است. "ما از آن با مدل دینامیکی ECMWF استفاده کردیم زیرا بهترین مدل در نظر گرفته شد، اما می‌توان آن را با هر مدلی استفاده کرد. حتی مدل‌هایی را که قبلا با استفاده از الگوریتم هوش مصنوعی دیگر تصحیح شده‌اند، بهبود می‌بخشد. بنابراین پیشرفت قوی را نشان می‌دهد. و منبع باز و کم هزینه است."

کوهن می گوید که اداره هواشناسی جمهوری کنیا قبلا در مورد اجرای مدلی برای بهبود پیش بینی فصل باران های موسمی سالانه برای بهبود عملکرد کشاورزی در زمستان امسال صحبت کرده است. او امیدوار است که گروه های دیگر نیز از این مدل استفاده کنند.

کوهن می‌گوید: «این می‌تواند به شما در تصمیم‌گیری زمان کوددهی در اطراف باران، زمانی که یخبندان برای محافظت از محصولات در طول برداشت‌های زمستانی می‌آید یا به شما کمک کند از خشکسالی جلوگیری کنید، تصمیم بگیرید. "همچنین می تواند برای مدیریت انرژی و اضطراری مفید باشد. من با مسئولان انرژی صحبت کرده ام که می گویند، "اگر دو روز قبل به من گفته شود که طوفان یخ در راه است، زمان کافی ندارم، اما اگر دو هفته وقت داشته باشم، این می تواند برای ایجاد آمادگی کافی کافی باشد."

جودا کوهن، پیش‌بینی زیر فصلی با یادگیری ماشین، طبیعت (2026). DOI: 10.1038/s41586-026-11126-x. www.nature.com/articles/s41586-026-11126-x

ارائه شده توسط موسسه فناوری ماساچوست

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →

این داستان با حسن نیت از MIT News (web.mit.edu/newsoffice/)، یک سایت محبوب که اخبار مربوط به تحقیقات، نوآوری و آموزش MIT را پوشش می دهد، بازنشر شده است.