هوش مصنوعی دقت پیش بینی آب و هوا را افزایش می دهد

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

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

با این حال، دو مقاله منتشر شده در طبیعت آنها نشان می دهند که سیستم های هوش مصنوعی جدید می توانند این روند را به میزان قابل توجهی سرعت بخشند و پیش بینی ها و هشدارهای آب و هوای شدید را دقیق تر کنند.

اولین مورد که توسط هوآوی توسعه داده شده است، توضیح می‌دهد که چگونه مدل هوش مصنوعی جدید آن، Pangu-Weather، می‌تواند الگوهای آب و هوای هفتگی در سراسر جهان را بسیار سریع‌تر از روش‌های پیش‌بینی سنتی، اما با دقت قابل مقایسه، پیش‌بینی کند. برای بررسی

مورد دوم نشان می‌دهد که چگونه یک الگوریتم یادگیری عمیق توانسته است با دقت و توجه بیشتری نسبت به سایر روش‌های پیشرو، بارش‌های سنگین را پیش‌بینی کند و در حدود ۷۰ درصد موارد در آزمایش‌ها بر روی سیستم‌های مشابه موجود، رتبه اول را به خود اختصاص داده است. انجام داده است.

لینگشی ژی، محقق ارشد هوآوی گفت، اگر این مدل‌ها به کار گرفته شوند، می‌توانند در کنار روش‌های متداول پیش‌بینی آب‌وهوا برای بهبود توانایی مقامات برای آماده‌سازی برای آب‌وهوای شدید مورد استفاده قرار گیرند.

برای ساخت Pangu-Weather، محققان هوآوی یک شبکه عصبی عمیق ساختند که بر اساس 39 سال داده های تجزیه و تحلیل مجدد آموزش دیده است که مشاهدات آب و هوای تاریخی را با مدل های مدرن ترکیب می کند.

برخلاف روش‌های مرسوم که متغیرهای آب و هوا را یک به یک تجزیه و تحلیل می‌کنند، که ممکن است ساعت‌ها طول بکشد، Pangu-Weather می‌تواند همه آنها را در یک مرحله در حدود یک ثانیه تجزیه و تحلیل کند.

محققان Pangu-Weather را با یکی از پیشروترین سیستم‌های پیش‌بینی آب‌وهوای مرسوم جهان، سیستم پیش‌بینی یکپارچه عملیاتی مرکز اروپایی پیش‌بینی‌های هوای متوسط ​​(ECMWF) آزمایش کردند و دریافتند که دقت مشابهی ایجاد می‌کند.

Pangu-Weather همچنین قادر به ردیابی دقیق مسیر یک طوفان استوایی بود، علیرغم اینکه بر روی داده های طوفان استوایی آموزش ندیده بود. الیور فورر، رئیس پیش بینی عددی در MeteoSwiss، اداره فدرال هواشناسی و اقلیم شناسی سوئیس می گوید. این یافته نشان می دهد که مدل های یادگیری ماشینی می توانند فرآیندهای آب و هوای فیزیکی را درک کنند و آنها را به موقعیت هایی که قبلاً ندیده اند تعمیم دهند. او در تحقیق شرکت نداشت.

فورر می‌گوید: «پانگو-آب‌وهوا هیجان‌انگیز است زیرا می‌تواند آب و هوا را بسیار سریع‌تر از قبل از دانشمندان پیش‌بینی کند و چیزهایی را پیش‌بینی کند که در داده‌های آموزشی اولیه‌اش وجود نداشت».

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

دوبن می گوید که قبلاً، یادگیری ماشینی بیشتر یک پروژه آموزشی در نظر گرفته می شد. اما اکنون به نظر می رسد که هواشناسان می توانند 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 کار می کنند. سیستم‌های معمولی 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 آنها 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 تمایل دارد آب و هوای سخت 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 طولانی‌تر از روش‌های مرسوم موجود پیش‌بینی کند.

ابزارهای پیش‌بینی باران با یادگیری عمیق، مانند DGMR DeepMind، می‌توانند احتمال بارش باران را در ۹۰ دقیقه آینده پیش‌بینی کنند. همچنین NowcastNet قادر است باران شدید را تا سه ساعت قبل پیش بینی کند. 62 هواشناس چینی این سامانه را در مقایسه با سایر سامانه های مشابه ارزیابی کردند و به این نتیجه رسیدند که در 70 درصد موارد بهترین روش برای پیش بینی باران است.

زی می‌گوید که تیم یک مدل مولد عمیق ساخته است که بر اساس داده‌های جمع‌آوری‌شده از رادارهای مختلف هواشناسی و سایر فناوری‌ها مانند سنسورها و ماهواره‌ها آموزش داده شده است. این مدل همچنین از اصول فیزیک جوی مانند گرانش و داده‌های رادار تغذیه می‌شود که عکس‌های فوری از الگوهای آب و هوا ارائه می‌کند. 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، آنها فقط یک عکس فوری از جو دارند. این منجر به نتایج دقیق کمتری برای رویدادهای نادر مانند بارندگی شدید می شود. از آنجایی که NowcastNet مبتنی بر فیزیک است، محققان می گویند مدل آنها می تواند دید جامع تری از باران و نحوه رفتار آن ارائه دهد که منجر به پیش بینی های دقیق تری می شود.

هوش مصنوعی می تواند به مردم کمک کند تا زمان بیشتری را برای پیش بینی های کوتاه مدت در مورد رویدادهای آب و هوایی مانند بارندگی خریداری کنند. مایکل آی جردن، دانشمند کامپیوتر در دانشگاه کالیفرنیا، برکلی که بر روی این مطالعه کار کرده است، می گوید: «باران شدید باعث مرگ و ویرانی عظیم و توانایی پیش بینی آن در یک بازه زمانی می شود که به مردم زمان می دهد تا آماده شوند. بخشش شدن بسیار مهم است.

هنوز روزهای اولیه برای پیش بینی آب و هوا مبتنی بر هوش مصنوعی است و باید دید این سیستم ها در عمل چقدر خبرجو خواهند بود. دوبن می گوید که 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 خواهد کرد.

مقاله هوش مصنوعی دقت پیش بینی آب و هوا را افزایش می دهد اولین بار در Tekknock – اخبار دنیای فناوری پدیدار شد. ظاهر شد.