به گزارش ایسنا، پیش‌بینی آب و هوا ممکن است به لطف یک منبع غیرمنتظره، ارتقاء قابل توجهی پیدا کند. این منبع همان هوش مصنوعی است که برای بررسی اسکن‌های مغزی پزشکی استفاده می‌شود.

دانشمندان چینی یک سامانه هوش مصنوعی جدید را توسعه داده‌اند که می‌تواند پیش‌بینی‌های آب و هوای پنج روزه را در عرض چند ثانیه تولید کند، در حالی که مدل‌های ابررایانه‌ای قدیمی که هزینه‌های عملیاتی میلیون دلاری دارند، ساعت‌ها یا روزها برای انجام چنین کاری به زمان نیاز دارند.

به نقل از اس‌اف، این مطالعه نحوه پیش‌بینی آب و هوا، از باران آخر هفته گرفته تا طوفان‌های خطرناک توسط هواشناسان را تغییر می‌دهد.

در حالی که خدمات هواشناسی در سراسر جهان به سامانه‌های عظیم پیش‌بینی عددی آب و هوا متکی هستند که معادلات پیچیده فیزیک را حل می‌کنند، این روش جدید الگوها را مستقیماً از دهه‌ها داده‌های تاریخی آب و هوا یاد می‌گیرد.

دانشمندان گفتند: روش‌های مبتنی بر یادگیری عمیق به جایگزین‌هایی برای سامانه‌های سنتی پیش‌بینی عددی آب و هوا تبدیل شده‌اند که محاسبات سریع‌تر و قابلیت استفاده از مجموعه داده‌های تاریخی بزرگ را ارائه می‌دهند. روش‌های پیش‌بینی قدیمی به دلیل تقریبات در فرآیندهای پیچیده جوی و ماهیت آشوبناک جو که خطاها را در زمان‌های طولانی‌تر افزایش می‌دهد، با محدودیت‌هایی روبرو هستند.

فناوری هوش مصنوعی پزشکی، پیش‌بینی آب و هوا را بهبود بخشید

این تیم مطالعاتی به سرپرستی «کنگ‌چی کائو»(Congqi Cao) از «دانشگاه پلی‌تکنیک شیان»(Xi’an) در چین دریافت که مدل‌های 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 مدل‌های تصویربرداری پزشکی در پیش‌بینی‌های منطقه‌ای با داده‌های تاریخی محدود، بر سامانه‌های هوش مصنوعی مخصوص آب و هوا سنتی برتری داشتند. مدل‌های جهانی آب و هوای سنتی برای کار با مجموعه داده‌های عظیم که کل سیاره را پوشش می‌دهند طراحی شده‌اند، اما هنگام تمرکز بر مناطق خاصی که داده‌ها ممکن است کمیاب باشند، دچار مشکل می‌شوند.

هوش مصنوعی تصویربرداری پزشکی به خوبی برای پیش‌بینی آب و هوا کار می‌کند، زیرا هر دو شامل شناسایی الگوهای پیچیده در داده‌های چندبعدی هستند. این شناسایی‌ها هم می‌تواند شامل تمایز بافت سالم از تومورها باشد و هم می‌تواند شامل تشخیص شرایط جوی که نشان‌دهنده طوفان‌های قریب‌الوقوع است، باشد.

رویکرد جدید پیش‌بینی، خطاها را کاهش می‌دهد

پژوهشگران به جای تکیه بر روش‌های سنتی که یا تمام گام‌های زمانی آینده را به یکباره پیش‌بینی می‌کنند یا پیش‌بینی‌ها را گام به گام می‌سازند همراه با خطاهای انباشته شده، رویکرد جدید «پیش‌بینی آبشاری»(cascade prediction) را توسعه دادند. این روش پیش‌بینی، پنج روز آینده را با مدل‌های هوش مصنوعی جداگانه به بخش‌های کوچکتر تقسیم می‌کند. این مدل‌ها برای پیش‌بینی هر بخش آموزش داده شده‌اند و اطلاعات پیش‌بینی‌های قبلی را نیز در بر می‌گیرند.

این تیم همچنین تکنیک «نویز گاوسی»(Gaussian noise) قابل یادگیری را معرفی کرد. این تکنیک به هوش مصنوعی اجازه می‌دهد تا میزان تصادفی بودن را که باید در طول آموزش به مناطق جغرافیایی مختلف اضافه شود، یاد بگیرد. روش‌های متداول که مقادیر ثابتی از تغییرات تصادفی را اضافه می‌کنند، در واقع پیش‌بینی‌ها را بدتر می‌کردند، 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 می‌کند؛ یعنی، مقادیر این نویز، توزیع «گاوسی» دارند.

این تیم روش خود را با استفاده از داده‌های آب و هوایی از سال ۲۰۰۷ تا ۲۰۱۶ در سراسر شرق آسیا که شامل ۷۰ متغیر آب و هوایی مختلف از دما و رطوبت گرفته تا الگوهای باد و بارش اندازه‌گیری شده در هر ۶ ساعت است، آزمایش کرد.

عملکرد مدل‌های هوش مصنوعی آب و هوا نسبت به سامانه‌های سنتی بهتر است

نتایج نشان داد که مدل‌های هوش مصنوعی آب و هوا ۲۰ درصد بهتر از سامانه‌های سنتی عمل می‌کنند. هنگام مقایسه انواع مختلف مدل‌ها، مدل‌های تصویربرداری پزشکی به طور مداوم از سامانه‌های پیش‌بینی آب و هوای هوش مصنوعی تثبیت شده بهتر عمل کردند. بالاترین مدل هوش مصنوعی سنتی پیش‌بینی آب و هوا با نام «فورکست نت»(FourCastNet) امتیاز ۰/۲۸۹۷ را کسب کرد، در حالی که بهترین مدل تصویربرداری پزشکی موسوم به «میس فرمر»(MISSFormer) به امتیاز ۰/۳۱۴۷ رسید.

روش «پیش‌بینی آبشاری»، بهبود چشمگیرتری را نشان داد. این رویکرد جدید به امتیاز ۰/۴۰۴۸ دست یافت که روش‌های پیش‌بینی استاندارد را با اختلاف زیاد پشت سر گذاشت. در این روش با ترکیب تمام عناصر، سامانه نهایی به امتیاز ۰/۴۳۱۳ رسید که نشان‌دهنده بهبود تقریباً ۲۰ درصدی نسبت به روش‌های پایه است.

رویکرد جدید می‌تواند دسترسی را متحول کند

رویکرد سریع‌تر و ارزان‌تر پیش‌بینی آب و هوا می‌تواند دسترسی را متحول کند. این پیشرفت‌ها محدودیت‌های کلیدی زیرساخت فعلی پیش‌بینی آب و هوا را برطرف می‌کنند. مدل‌های سنتی پیش‌بینی عددی آب و هوا، به ابررایانه‌ها با کارایی بالا نیاز دارند و پیش‌بینی‌ها را در عرض چند ساعت یا روز تولید می‌کنند، در حالی که سامانه هوش مصنوعی جدید نتایج را در عرض چند ثانیه تولید می‌کند.

افزایش کارایی محاسباتی می‌تواند پیش‌بینی آب و هوا را مردمی‌تر کند و به خدمات هواشناسی کوچکتر یا مناطق در حال توسعه اجازه دهد تا بدون سرمایه‌گذاری در زیرساخت‌های ابررایانه‌ای گران‌قیمت، به پیش‌بینی‌هایی با کیفیت بالا دسترسی پیدا کنند. در حال حاضر، تنها خدمات اصلی هواشناسی و سازمان‌های دولتی توانایی مالی منابع محاسباتی لازم برای مدل‌سازی دقیق آب و هوا را دارند.

این روش محدودیت‌هایی نیز دارد. این مطالعه به طور خاص بر پیش‌بینی منطقه‌ای 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 پیش‌بینی‌ها با افزایش فراوانی و هزینه رویدادهای آب و هوایی شدید به دلیل تغییرات آب و هوایی، می‌تواند مزایای اجتماعی عمده‌ای داشته باشد و به طور بالقوه پیش‌بینی‌های آب و هوایی نجات‌بخش را سریع‌تر و در دسترس‌تر از همیشه کند.

این یافته‌ها بسیار امیدوارکننده هستند، با این حال سامانه هوش مصنوعی مورد بحث برای پیش‌بینی‌های منطقه‌ای 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.

انتهای پیام