مدلهای پیشبینی آبوهوا مبتنی بر هوش مصنوعی امروز در بسیاری از آزمونهای روزمره میتوانند با سامانههای سنتی رقابت کنند. با این حال، یک مطالعه جدید نشان میدهد زمانی که شرایط جوی رکورد میشکنند، مدلهای کلاسیک مبتنی بر فیزیک همچنان پیشبینیهای قابلاعتمادتری ارائه میدهند.
چرا پیشبینی آبوهوای حدی چالشبرانگیز است
پژوهشگران با بررسی دادههای جهانی آبوهوا در دهههای اخیر، صدها هزار رویداد محلی شامل گرمای بیسابقه، سرمای بیسابقه و بادهای رکوردشکن را شناسایی کردند.
سپس تیم تحقیقاتی عملکرد چندین سامانه هوش مصنوعی را با یک مدل پیشبینی با وضوح بالا از اروپا مقایسه کرد تا ببیند این سیستمها تا ده روز جلوتر چگونه با این شرایط حدی برخورد میکنند.
رهبری این پژوهش بر عهده ژونگوی ژانگ، آمارشناس دانشگاه ژنو بود که تمرکز اصلی او بر رویدادهای نادر اقلیمی است. تیم او با استفاده از روشهای آماری پیشرفته، ریسک و عدمقطعیت موجود در سوابق آبوهوایی و اقلیمی را تحلیل میکند.
دانشمندان به این رویدادها «شرایط حدی رکوردشکن» میگویند، یعنی پدیدههایی که در یک مکان و فصل مشخص، بالاترین یا پایینترین مقدار ثبتشده تاریخ را میشکنند. اهمیت این رویدادها در آن است که بسیاری از برنامهریزیهای شهری و زیرساختی بر اساس رکوردهای گذشته انجام میشود، بنابراین عبور از این مرزها میتواند خساراتی بسیار فراتر از انتظار ایجاد کند.
نقش مدلهای عددی کلاسیک در پیشبینی هوا
پیشبینیهای مدرن همچنان به «پیشبینی عددی هوا» متکی هستند، یعنی مدلهای کامپیوتری که با استفاده از معادلات فیزیکی، حرکت هوا، رطوبت و انرژی در جو را شبیهسازی میکنند.
این مدلها به توان محاسباتی بالایی نیاز دارند، اما در عوض نقشههای دقیقی از دما، باد، فشار و بارش را برای چند روز آینده ارائه میدهند.
بیشتر آزمونهای رایج تنها بررسی میکنند که آیا یک مدل میتواند شرایطی را که قبلاً در دادههای آموزشی خود دیده است، بازتولید کند یا نه.
چالش واقعی که «برونیابی» نام دارد، پیشبینی قابلاعتماد زمانی است که جو وارد ترکیبهایی از گرما، سرما یا باد میشود که خارج از تجربه گذشته مدل قرار دارند.
آزمون جدی هوش مصنوعی در شرایط حدی
برای مطالعه برونیابی، تیم ژانگ یک معیار ارزیابی بر پایه «بازتحلیل» طراحی کرد، یعنی مجموعهدادهای بلندمدت که مشاهدات واقعی را با یک مدل سازگار ترکیب میکند.
آنها دادههای سالهای ۱۹۷۹ تا ۲۰۲۰ را بررسی کردند تا هر موردی را که دمای محلی یا سرعت باد در یک سلول شبکهای از رکورد قبلی عبور کرده بود، شناسایی کنند.
تنها در سال ۲۰۲۰، پژوهشگران ۱۶۲٬۷۵۱ رکورد گرما، ۳۲٬۹۹۱ رکورد سرما و ۵۳٬۳۴۵ رکورد باد را در خشکیهای سراسر جهان ثبت کردند. از آنجا که رکوردها در هر نقطه شبکهای و هر فصل جداگانه شمارش شدند، امکان آزمون مدلها روی شرایط حدی نادر فراهم شد، بدون آنکه تمرکز صرفاً بر رویدادهای مشهور باشد.
مقایسه مستقیم AI با مدل اروپایی
در این مقایسه، چندین سامانه هوش مصنوعی در برابر مدل پیشبینی با وضوح بالا (HRES) مرکز اروپایی پیشبینیهای میانمدت هواشناسی (ECMWF) قرار گرفتند. این مدل جهانی، جو زمین را روی شبکهای دقیق نمایش میدهد و با تکیه بر قوانین فیزیکی، وضعیت آن را در زمان به جلو میبرد.
برای هر رکورد، پیشبینیها در بازههای زمانی نیمروز تا ده روز جلوتر بررسی شد و خطای دما و باد محاسبه گردید.
دقت پیشبینی با شاخص «ریشه میانگین مربعات خطا» سنجیده شد، آماری که هرچه پیشبینیها از مقادیر واقعی فاصله بیشتری بگیرند، بزرگتر میشود.
عملکرد هوش مصنوعی در مواجهه با شرایط حدی
نتایج نشان داد در پیشبینی رکوردهای گرما، سرما و باد، مدل سنتی مبتنی بر فیزیک در بیشتر بازههای زمانی از تمام سامانههای هوش مصنوعی بررسیشده عملکرد بهتری داشت.
این برتری در بازههای کوتاهمدت چندروزه بیشترین مقدار را داشت و برای پیشبینیهای یک هفته یا بیشتر تا حدی کاهش مییافت.
در مورد رکوردهای گرما، سامانههای هوش مصنوعی معمولاً دماهایی کمتر از مقدار واقعی پیشبینی میکردند.
برای رکوردهای سرما، این سامانهها اغلب شدت سرما را بیش از واقعیت برآورد میکردند، خطایی که با شکسته شدن رکوردهای جدید و فاصله گرفتن از رکورد قبلی، افزایش مییافت.
کمبرآوردی وقوع رویدادهای رکوردشکن
سامانههای هوش مصنوعی همچنین تعداد وقوع رویدادهای رکوردشکن را کمتر از واقعیت تخمین میزدند و بسیاری از رکوردهای موجود در دادههای مشاهدهای را از دست میدادند.
در مقابل، مدل عددی کلاسیک تقریباً تعداد درستی از رکوردهای گرما، سرما و باد را ثبت کرد و تطابق بهتری با محل وقوع واقعی این رکوردها داشت.
این الگوها به یک مشکل «خارج از توزیع» اشاره میکنند. مدل در شرایط آشنا عملکرد قابلاعتماد دارد، اما وقتی ورودیها خارج از دامنه دادههای آموزشی قرار میگیرند، دقت آن افت میکند.
از آنجا که این سامانهها بهجای قوانین صریح فیزیکی، از نقشههای گذشته یاد میگیرند، ممکن است شدت رویدادهای نادر را بهطور ذاتی محدود کنند.
چرا مدلهای کلاسیک هنوز اهمیت دارند
مرورهای کلی نشان میدهد یادگیری ماشین تاکنون پیشبینی آبوهوا را بهشدت متحول کرده و در بسیاری از وظایف روزمره نتایج قدرتمندی ارائه میدهد.
با این حال، پژوهشگران زیادی هشدار میدهند که شرایط حدی نادر همچنان نقطهضعف سامانههای کاملاً دادهمحور است.
در مطالعه ژانگ، مدل مبتنی بر فیزیک حتی با بزرگتر شدن رکوردها دقت خود را حفظ کرد و ارزش وجود معادلات فیزیکی در هسته سامانه پیشبینی را نشان داد.
این معادلات تعادل جرم، انرژی و تکانه را تضمین میکنند و به مدل اجازه میدهند ترکیبهای غیرمعمول شرایط جوی را فراتر از آنچه قبلاً رخ داده است، بررسی کند.
این تفاوت بهویژه در تصمیمگیریهای پرریسک اهمیت دارد. برای برنامهریزی مقابله با گرما، پایداری شبکه برق یا آمادهسازی در برابر طغیان طوفان، تکیه صرف بر پیشبینیهای هوش مصنوعی در زمان احتمال شکستن رکوردها میتواند به دستکمگرفتن خطرات منجر شود.
آینده هوش مصنوعی و پیشبینی آبوهوای حدی
ارزیابیهای دیگر از بلایای اخیر نشان میدهد که بسته به نوع رویداد، گاهی هوش مصنوعی و گاهی مدلهای سنتی عملکرد بهتری دارند، از جمله در برخی موجهای گرما و طوفانهای زمستانی.
یکی از این ارزیابیها چندین مورد را بررسی کرد و همچنان محدودیتهای مهمی برای هوش مصنوعی در سنجش مستقیم اثرات مشاهده نمود.
چند مسیر روشن برای ایمنتر کردن ابزارهای پیشبینی هوش مصنوعی در شرایط حدی وجود دارد:
- آموزش سامانهها با دادههای شبیهسازیشده از مدلهای فیزیکی اقلیم، تا نمونههای بیشتری از رویدادهای نادر ببینند.
- ترکیب هوش مصنوعی با پیشبینی سنتی، بهگونهای که برخی اجزای مدل با یادگیری ماشین جایگزین شوند، اما چارچوب کلی به قوانین فیزیکی پایبند بماند.
این طراحیهای ترکیبی تلاش میکنند سرعت و انعطافپذیری یادگیری ماشین را حفظ کنند، در حالی که توانایی مواجهه با شرایط خارج از دامنه دادههای آموزشی نیز باقی بماند.
در شرایط فعلی، یک راهبرد عملی این است که هنگام احتمال وقوع گرما، سرما یا باد رکوردشکن، پیشبینیهای هوش مصنوعی و مدلهای عددی بهصورت همزمان استفاده شوند.
این رویکرد به پیشبینیکنندگان امکان میدهد از راهنمایی جهانی هوش مصنوعی بهره ببرند و همزمان با بررسیهای مبتنی بر فیزیک مدلهای سنتی، پیش از صدور هشدارهایی که بر زندگی میلیونها نفر اثر میگذارد، تصمیم دقیقتری بگیرند.
این مطالعه در پایگاه arXiv منتشر شده است.
جمعبندی
نتایج این پژوهش نشان میدهد با وجود پیشرفت سریع هوش مصنوعی، مدلهای فیزیکی کلاسیک هنوز در پیشبینی آبوهوای حدی و رکوردشکن قابلاعتمادتر هستند، بهویژه زمانی که تصمیمهای حیاتی در میان است.
اگر به نقش هوش مصنوعی در پیشبینی بلایای طبیعی علاقهمند هستید، مقالات مرتبط دیگر را مطالعه کنید یا دیدگاه خود را در بخش نظرات با ما به اشتراک بگذارید.
