مدل هوش مصنوعی گوگل طوفان‌های سهمگین را ۱۵ روز زودتر پیش‌بینی می‌کند

به گزارش خبرگزاری آنا؛ پژوهشگران گوگل توانسته‌اند با استفاده از WeatherNext یکی از دشوارترین مسائل پیش‌بینی طوفان‌های استوایی را هدف قرار دهند. پیش‌بینی مسیر طوفان به بررسی الگو‌های جریان هوا و شرایط جوی در مقیاس جهانی نیاز دارد، در حالی که تعیین شدت آن به فرآیند‌های پیچیده‌تر و محلی درون هسته طوفان وابسته است. WeatherNext با آموزش روی نزدیک به ۲۰ ترابایت داده‌های جوی جهانی و داده‌های تاریخی مجموعه بین‌المللی Best Track، هر دو متغیر را در یک سامانه یکپارچه مدل‌سازی می‌کند و می‌تواند سناریو‌های مختلفی از مسیر و شدت احتمالی یک طوفان ارائه دهد.

پیش‌بینی زودهنگام شدت طوفان و کمک به مدیریت بحران

یکی از مهم‌ترین مزیت‌های WeatherNext، افزایش زمان در دسترس برای تصمیم‌گیری پیش از وقوع طوفان است. در آزمایش‌های عملی انجام‌شده در سال گذشته، این مدل توانست پنج روز پیش از رسیدن طوفان ملیسا به جامائیکا با اطمینان ۸۰ درصدی پیش‌بینی کند که این سامانه به یک طوفان رده ۵، یعنی بالاترین سطح شدت در مقیاس سافیر-سیمپسون، تبدیل خواهد شد. این پیش‌بینی اهمیت زیادی دارد، زیرا حتی یک روز زمان بیشتر برای سازمان‌های مسئول می‌تواند فرصت بیشتری برای صدور هشدار، تخلیه مناطق پرخطر، آماده‌سازی زیرساخت‌های اضطراری و انتقال تجهیزات و نیرو‌های امدادی فراهم کند. بر اساس اطلاعات ارائه‌شده، این نخستین موردی بود که مرکز ملی هاریکان آمریکا توانست افزایش شدت یک طوفان از رده ۱ به رده ۵ را با چنین فاصله زمانی قابل توجهی پیش‌بینی کند.

مایک برنان، مدیر مرکز ملی هاریکان آمریکا، اعلام کرده است که دستیابی به چنین سطحی از عملکرد با مدل‌های سنتی هواشناسی به سال‌ها توسعه علمی، افزایش توان پردازشی و ایجاد زیرساخت‌های گسترده نیاز داشت. WeatherNext علاوه بر دقت، سرعت بالایی نیز دارد و می‌تواند حدود هزار سناریوی پیش‌بینی مختلف را برای بررسی مسیر و شدت احتمالی طوفان در کمتر از یک دقیقه روی پردازنده‌های اختصاصی TPU گوگل تولید کند. چنین قابلیتی به پیش‌بینان اجازه می‌دهد به‌جای تکیه بر یک مسیر احتمالی، مجموعه‌ای از سناریو‌ها را به‌صورت سریع بررسی کنند و احتمال وقوع مسیر‌ها و شدت‌های مختلف را در تصمیم‌گیری‌های عملیاتی در نظر بگیرند.

عملکرد مدل با داده‌های جوی کم‌جزئیات و انتشار عمومی

یکی از نکات قابل توجه درباره WeatherNext این است که مدل برای دستیابی به نتایج دقیق، الزاماً به داده‌های جوی با وضوح بسیار بالا متکی نیست. مدل‌های عددی سنتی هواشناسی معمولاً برای شبیه‌سازی دقیق رفتار طوفان‌ها به داده‌های بسیار جزئی و وضوح مکانی بالا نیاز دارند، اما WeatherNext توانسته است با استفاده از داده‌های کم‌وضوح‌تر نیز الگو‌های پیچیده مربوط به شکل‌گیری، حرکت و تشدید طوفان‌ها را استخراج کند. پژوهشگران گوگل معتقدند مدل‌های هوش مصنوعی می‌توانند روابط و الگو‌هایی را در مجموعه‌های عظیم داده‌های جوی شناسایی کنند که لزوماً به‌سادگی در قالب معادلات فیزیکی شناخته‌شده قابل بیان نیستند.

فرران الت، پژوهشگر ارشد گوگل دیپ‌مایند، معتقد است بخشی از قدرت این مدل به توانایی هوش مصنوعی در شناسایی الگو‌های پنهان در داده‌های گسترده جوی بازمی‌گردد؛ الگو‌هایی که ممکن است دانشمندان هنوز توضیح فیزیکی کاملی برای آن‌ها نداشته باشند. انتشار متن‌باز WeatherNext نیز از همین منظر اهمیت دارد، زیرا گوگل کد‌های منبع و وزن‌های کالیبره‌شده مدل را در اختیار پژوهشگران و سازمان‌های هواشناسی قرار داده است تا امکان بررسی مستقل، توسعه مدل و استفاده از آن در سامانه‌های پیش‌بینی مختلف فراهم شود.

انتشار این فناوری می‌تواند علاوه بر بهبود پیش‌بینی‌های عملیاتی، به پژوهشگران در مطالعه سازوکار شکل‌گیری و تقویت طوفان‌های استوایی نیز کمک کند. در صورت تأیید عملکرد WeatherNext در مناطق و شرایط جوی مختلف، چنین مدل‌هایی می‌توانند در کنار سامانه‌های سنتی پیش‌بینی هواشناسی قرار بگیرند و با ارائه سناریو‌های سریع‌تر و متنوع‌تر، زمان بیشتری برای واکنش به رویداد‌های شدید آب‌وهوایی در اختیار دولت‌ها، مراکز امدادی و ساکنان مناطق در معرض خطر قرار دهند.