پیش بینی 10 روزه را فراموش کنید. هوش مصنوعی هشدارهای آب و هوای شدید را تا 6 هفته بهبود داده است

وقتی فاجعه در راه است، زمان بندی همه چیز است. بدون هشدار کافی برای اجرای موثر برنامه ریزی اضطراری، حتی شهرهایی که دارای منابع کافی هستند نیز می توانند توسط آب و هوای شدید ویران شوند.

به عنوان مثال، بحران قدرت را در تگزاس در فوریه 2021 در نظر بگیرید. سه طوفان زمستانی پشت سر هم - از جمله طوفان زمستانی اوری - برق و گرما را برای میلیون‌ها نفر از بین برد و منجر به مرگ 246 نفر شد. اگر شرکت‌های برق زمان بیشتری برای تقویت منابع گاز طبیعی، تقویت زیرساخت‌ها و هشدار دادن به مشتریان خود داشتند، ممکن بود تلفات آنقدر زیاد نبود.

مشکل این است که پیش‌بینی آب و هوا در دو تا شش هفته به‌شدت دشوار است. پس از گذشت دو هفته، تفاوت‌های کوچک در شرایط جوی فعلی می‌تواند منجر به نتایج متفاوت آب و هوایی شود و یک پیش‌بینی قطعی و قطعی را غیرقابل اعتماد کند. هواشناسان در عوض بر پیش‌بینی احتمالی تکیه می‌کنند، که از شبیه‌سازی مدل‌های متعدد برای تخمین احتمال نتایج مختلف استفاده می‌کند.

اما این پیش بینی ها محدودیت های خاص خود را دارند. از آنجایی که مدل‌ها آب و هوا را طی مراحل زمانی متوالی شبیه‌سازی می‌کنند، خطاها می‌توانند جمع شوند و دقت آن‌ها را طی چند هفته کاهش دهند. حتی مدل‌های عددی استاندارد طلایی مرکز اروپا برای پیش‌بینی‌های هوای متوسط ​​(ECMWF) و مدل‌های برجسته هوش مصنوعی مانند خانواده WeatherNext Google DeepMind با این محدوده «زیر فصلی» دست و پنجه نرم می‌کنند.

یک "لفاف" جدید می تواند در این مورد کمک کند. این ابزار پس پردازش که در مقاله‌ای که امروز در مجله Nature منتشر شده است، از یادگیری ماشین برای تصحیح خطاهای سیستمی در مدل‌های پیش‌بینی و بهبود دقت چشم‌اندازهای زیر فصلی آن‌ها استفاده می‌کند.

در رقابت پیش‌بینی بلادرنگ ECMWF در سال 2025، این ابزار دقیق‌ترین پیش‌بینی‌های جهانی را برای همه متغیرهای آب‌وهوا و دوره‌های پیش‌بینی، عملکرد بهتر از مدل‌های عددی از شش مرکز پیش‌بینی عملیاتی، مجموعه‌ای بین‌المللی از مدل‌های عددی، مدل هوش مصنوعی خود ECMWF و سیستم‌های پیش‌بینی تیم‌های پیش‌بینی در سراسر جهان را تولید کرد.

جودا کوهن، اقلیم شناس و دانشمند پژوهشی در موسسه فناوری ماساچوست، به Gizmodo گفت: «این مدل آگنوستیک است، و مقاله نشان می دهد که چه یک مدل سنتی تر باشد یا یک مدل هوش مصنوعی جدیدتر، ما می توانیم این اشتباهات را که سیستمیک مدل هستند، اصلاح کنیم. «فقط با اصلاح آنها، می‌توانیم یک مدل غیر ماهرانه انتخاب کنیم و آن را ماهرانه کنیم.»

کوهن ابزار تصحیح سوگیری احتمالی (PBC) را در کنار لستر مکی، محقق یادگیری ماشین آماری در مایکروسافت، که کوهن ایده اولیه استفاده از یادگیری ماشینی برای کاهش خطاها در مدل‌های پیش‌بینی را اعتبار می‌داند، ساخت. این زوج بیش از یک دهه برای تحقق این ایده همکاری کردند.

کار آنها که توسط دانشجویان MIT، فوق دکترا و سایر محققان مایکروسافت پشتیبانی می‌شد، به وضوح نتیجه داد. هنگام آزمایش مدل‌های عددی و هوش مصنوعی پیشرو ECMWF، ابزار PBC دقت زیر فصلی سیستم هوش مصنوعی را دو برابر کرد و مهارت مدل عددی را برای 91 درصد فشار، 92 درصد دما و 98 درصد از اهداف بارش بهبود بخشید.

در مطالعه جدید نیچر، کوهن، مکی و همکارانش نشان دادند که ابزار PBC می تواند پیش بینی زمین را در بیشتر مناطق جهان بهبود بخشد. آنها همچنین پیشرفت قابل توجهی را نسبت به سایر مدل ها نشان دادند و آنها را با سیستم های پیشرفته ECMWF برابری کردند. اما به نظر کوهن، مهم ترین یافته این بود که ابزار PBC پیش بینی آب و هوای شدید زیر فصلی را بهبود بخشید.

او گفت: «آب‌وهوای شدید بیشترین تأثیر را بر جامعه ما دارد و پیش‌بینی‌های بهبود یافته از این رویدادها می‌تواند مزایای اجتماعی زیادی به همراه داشته باشد». جالب اینجاست که طرح‌های تصحیح سوگیری قبلی در واقع پیش‌بینی آب و هوای شدید را بدتر می‌کرد و مدل ما بهبود واضحی را در پیش‌بینی‌های شدید آب و هوا نشان داد.

برای پیش‌بینی‌هایی که سه هفته پیش‌تر انجام شد، PBC توانایی مدل عددی ECMWF را برای پیش‌بینی گرمای شدید، بارش شدید و فشار غیرعادی سطح دریا بهبود بخشید. محققان همچنین این ابزار را روی سیل‌های واقعی که در دهه گذشته رخ داده‌اند آزمایش کردند و دریافتند که مهارت پیش‌بینی سیل را بین 76 تا 92 درصد بهبود می‌بخشد. برای سیل‌های شدید - سیل‌هایی که باعث مرگ بیش از 100 نفر یا آواره شدن حداقل 80000 نفر شدند - مهارت پیش‌بینی را بین 86 تا 150 درصد بهبود بخشید.

کوهن امیدوار است که این ابزار منجر به پیش‌بینی‌های آب و هوایی شدید عملی‌تر شود. یکی از مزایای کلیدی این چارچوب PBC این است که منبع باز است و برای اجرا نیازی به ابررایانه ندارد و حتی در مکان هایی که بودجه و زیرساخت برای پیش بینی آب و هوا محدود است قابل دسترسی است. او گفت که اداره هواشناسی جمهوری کنیا در حال آزمایش ابزاری برای بهبود پیش بینی بارش های موسمی است.

از آنجایی که تغییرات آب و هوایی منجر به آب و هوای شدیدتر و غیرعادی می شود، دادن زمان بیشتری به جوامع برای آماده شدن برای این رویدادها بسیار ارزشمند خواهد بود. عبور از مرزهای پیش بینی زیر فصلی از طریق ابزارهایی مانند PBC در نهایت می تواند جان انسان ها را نجات دهد و خسارات را کاهش دهد.