کارشناسان آب و هوا بر سر این موضوع که کدامیک از دو روش هوش مصنوعی یا روشهای سنتی، موثرتر هستند، اختلاف نظر دارند. در مدل جدیدی که که توسط شرکت Google توسعه یافته، پیش بینی آب و هوا با هوش مصنوعی و فیزیک انجام می شود. در واقع محققان به هر دو روش متکی هستند.
محققان گوگل یک مدل جدید پیش بینی وضعیت آب و هوا ساختهاند که یادگیری ماشین را با تکنیکهای معمولی ترکیب میکند. این احتمال وجود دارد که پیش بینیهای دقیقی را با هزینه کمتری ارائه دهد.
این مدل که NeuralGCM نام دارد و در مقالهای در Nature شرح داده شده است، شکافی که در سالهای اخیر میان کارشناسان پیش بینی وضعیت آب و هوا ایجاد شده است را پر میکند.
سرعت و دقت پیش بینی با NeuralGCM
تکنیکهای جدید یادگیری ماشین که وضعیت آب و هوا را با یادگیری از دادههای سالهای گذشته پیش بینی میکنند، بسیار سریع و کارآمد هستند. اما ممکن است در پیش بینیهای بلندمدت مشکل داشته باشند.
از طرف دیگر مدلهای گردش عمومی، که در ۵۰ سال گذشته برای پیش بینی وضعیت آب و هوا استفاده می شدند، از معادلات پیچیدهای برای مدل سازی تغییرات جوی استفاده میکنند. این مدل ها پیش بینیهای دقیقی ارائه میدهند، اما بسیار کند و پرهزینه هستند.
کارشناسان در مورد اینکه کدام ابزار در آینده قابل اعتمادتر خواهد بود، اختلاف نظر دارند. اما مدل جدید google تلاش میکند هر دو را ترکیب کند.
Stephan Hoyer ، پژوهشگر هوش مصنوعی در Google Research میگوید: “این موضوع فیزیک در مقابل هوش مصنوعی نیست. در واقع ترکیب فیزیک و هوش مصنوعی است.”
سیستم جدید همچنان از یک مدل سنتی برای کار کردن برخی از تغییرات بزرگ جوی که برای پیش بینی لازم است، استفاده میکند. سپس در جایی که مدلهای بزرگتر معمولاً ناکام میمانند، هوش مصنوعی را وارد میکند.
این سیستم معمولاً برای پیش بینی در مقیاسهای کوچکتر از حدود ۲۵ کیلومتر، مانند پیش بینی تشکیل ابرها یا اقلیمهای منطقهای (مثلاً مه در سانفرانسیسکو) عملکرد خوبی دارد.Hoyer می گوید:”در این جا ما هوش مصنوعی را به طور انتخابی برای اصلاح خطاهایی که در مقیاسهای کوچک به وجود می آیند، وارد میکنیم.”
مزایای مدل ترکیبی NeuralGCM
به گفته محققان، نتیجه مدلی است که میتواند پیش بینیهای با کیفیت را سریعتر و با توان محاسباتی کمتر تولید کند. آنها میگویند NeuralGCM به اندازه پیش بینیهای یک تا ۱۵ روزه مرکز پیش بینی میانمدت جوی اروپا (ECMWF) که یک سازمان شریک در این پژوهش است، دقیق است.
اما وعده واقعی فناوریهایی مانند این، بهبود پیش بینیهای آب و هوا در منطقه محلی شما نیست. بلکه برای بهبود پیش بینیها در رویدادهای اقلیمی بزرگتری است که مدل سازی آنها با تکنیکهای معمولی بسیار پرهزینه است.
این امکانات میتواند از پیش بینی طوفانهای گرمسیری تا مدل سازی تغییرات اقلیمی پیچیدهتر که سالها با آن فاصله دارند، متغیر باشد.
آینده پیش بینی آب و هوا با هوش مصنوعی
به نظر Aaron Hill استادیار دانشکده هواشناسی دانشگاه اوکلاهما، شبیه سازی مکرر کره زمین یا برای مدت های طولانی، بسیار پرهزینه است. این بدان معناست که بهترین مدلهای آب و هوایی به دلیل هزینههای بالای توان محاسباتی محدود میشوند.
مدلهای مبتنی بر هوش مصنوعی واقعاً فشردهتر هستند. آموزش معمولاً با استفاده از دادههای ۴۰ ساله آب و هوا از ECMWF انجام میشود. پس از آن یک مدل یادگیری ماشین مانند Google GraphCast میتواند با کمتر از ۵۵۰۰ خط کد اجرا شود. در حالی که مدل اداره ملی اقیانوسی و جوی، نزدیک به ۳۷۷۰۰۰ خط کد نیاز دارد.
به گفته Hill ، NeuralGCM به خوبی نشان میدهد که هوش مصنوعی میتواند برای بخشهای خاصی از مدل سازی آب و هوا وارد شود و در حالی که همچنان مزایای سیستمهای سنتی حفظ میشود، فرآیندها را سریعتر کند. او میگوید: “ما نیازی نداریم تمام دانشی که در ۱۰۰ سال گذشته درباره نحوه کار جو به دست آوردهایم را دور بیندازیم. ما میتوانیم در واقع آن را با قدرت هوش مصنوعی و یادگیری ماشین ترکیب کنیم.”
Hoyer میگوید استفاده از این مدل برای پیش بینی وضعیت آب و هوای کوتاه مدت مفید بوده تا دقت پیش بینیها را تایید کند. اما هدف اصلی این است که بتوان از آن برای مدل سازی بلند مدت، به ویژه برای خطرات شدید آب و هوایی استفاده کرد.
مدل NeuralGCM منبع باز خواهد بود. Hoyer میگوید منتظر است تا دانشمندان هواشناسی از این مدل در تحقیقات خود استفاده کنند. اما ممکن است این مدل فقط برای دانشگاهیان جذاب نباشد. بلکه تاجران کالا و برنامه ریزان کشاورزی بنیز به دنبال پیش بینیهایی با وضوح بالا هستند.
همچنین مدلهای مورد استفاده شرکتهای بیمه، در تلاش هستند که تاثیر تغییرات آب و هوایی را برای مواردی مانند بیمه سیل یا بیمه آب و هوای شدید، در نظر بگیرند.
Hill میگوید با پیشرفت های اخیر در پیش بینی وضعیت آب و هوا ، بسیاری از کارشناسان به هوش مصنوعی روی آورده اند. اما به علت سرعت بالای توسعه، همگام شدن با پیشرفت برای جامعه پژوهشی سخت است.
او میگوید: “به نظر میرسد هر دو ماه یک مدل جدید توسط Google, Nvidia, یا Huawei منتشر میشود. برای محققان دشوار است که بفهمند کدام ابزارهای جدید مفیدتر خواهند بود و بر اساس آن برای دریافت بودجه تحقیقاتی اقدام کنند.”