به گزارش خبرنما به نقل از ایسنا، پیشبینی آب و هوا طی ۲۰ سال گذشته راه زیادی را پیموده است و هنوز هم مسیری طولانی پیش رو دارد. اما آیا استفاده از هوش مصنوعی میتواند به بهبود توانایی هواشناسی برای پیشبینی الگوهای آب و هوایی کمک کند؟ چقدر دقیق میتوان آب و هوا را پیشبینی […]
به گزارش خبرنما به نقل از ایسنا، پیشبینی آب و هوا طی ۲۰ سال گذشته راه زیادی را پیموده است و هنوز هم مسیری طولانی پیش رو دارد. اما آیا استفاده از هوش مصنوعی میتواند به بهبود توانایی هواشناسی برای پیشبینی الگوهای آب و هوایی کمک کند؟ چقدر دقیق میتوان آب و هوا را پیشبینی کرد تا شاهد خسارتهای جبران ناپذیر نباشیم؟
روند پیشبینی الگوهای آب و هوا یک علم بسیار پیچیده است و نیاز به به تجزیه و تحلیل و رمزگشایی از مجموعه دادههای عظیم جمعآوری شده روزانه از هزاران حسگر و ماهوارههای هواشناسی دارد.
شناسایی الگوها در دادههای جمع آوری شده برای پیشبینی هوا یک کار بسیار پر اهمیت است و برای حصول بهترین نتایج این کار باید در زمان واقعی انجام شود.
اما مانند هرگونه پیشبینی دیگر، پیشبینی آب و هوا یک حدس مبتنی بر آموزش و علم است. از آنجایی که ما نمیتوانیم آب و هوا را کنترل کنیم، بهترین هواشناسان میتوانند با استفاده از دادهها و الگوهای گذشته و حال به پیشبینی آب و هوای آینده بپردازند.
این کار به ویژه برای هشدار در مورد رویدادهای فاجعهآمیز نظیر جاری شدن سیل مهم است.
دقت پیشبینی آب و هوا در طول سالیان اخیر افزایش یافته است، اما هنوز ۱۰۰ درصد دقیق نیست. طبق برخی برآوردها، یک پیشبینی آب و هوایی هفت روزه حدود ۸۰ درصد قابل اعتماد است.
زمانبندیهای کوتاه مدتتر دقت بیشتری دارند. به عنوان مثال یک پیشبینی آب و هوایی پنج روزه حدود ۹۰ درصد صحیح است و هر پیشبینی بیش از هفت روزه به خصوص پیشبینیهای ده روزه یا بیشتر از آن تنها ۵۰ درصد دقیق هستند.
با توجه به اینکه جو به طور مداوم در حال تغییر است، برآوردهای طولانی مدت برای مدلسازی و پیشبینی بسیار دشوار است. هواشناسان این کار را با استفاده از برنامههای کامپیوتری موسوم به مدلهای هواشناسی برای رسیدن به این پیشبینیها انجام میدهند.
هواشناسان از انواع حسگرها، ماهوارهها و مدلهای کامپیوتری برای پیشبینی الگوهای آب و هوایی آینده استفاده میکنند.
اکثر مردم با ابزارهای اصلی مانند دماسنج، فشارسنج و بادسنج برای ثبت دما، فشار هوا و سرعت باد آشنا هستند. اما هواشناسان از ابزار و تجهیزات پیچیدهتری مانند بالنهای رصد آب و هوا نیز استفاده میکنند. این بالنها بادکنکهای مخصوصی هستند که بر روی آنها حسگرهای آب و هوا برای اندازهگیری درجه حرارت، فشار هوا، سرعت و جهت باد در تمام لایههای تروپسفر تعبیه شده است.
سیستمهای راداری نیز توسط هواشناسان برای اندازهگیری بارش در سراسر جهان به کار گرفته میشوند.
اما یکی از قدرتمندترین ابزارهای هواشناسان ماهوارههای زیستمحیطی است. سازمان ملی اقیانوسی و جوی آمریکا(NOAA) دارای سه ماهواره هواشناسی است که آب و هوای سراسر زمین را تحت نظر دارند.
یکی از این ماهوارهها ماهواره گردش قطبی است که در ارتفاع تقریبی ۸۰۵ کیلومتری زمین مستقر است.
این ماهوارهها به طور مداوم زمین را ۱۴ بار در روز قطب به قطب دور میزنند تا بدین ترتیب هر قسمت از سیاره زمین دوبار در روز به طور کامل تحت نظر قرار بگیرد.
این کار ماهوارهها را قادر میسازد مجموعه دادههای عظیمی را در مورد جو زمین به صورت کامل از جمله ابرها و اقیانوسها با وضوح بسیار بالا فراهم کنند. هواشناسان با استفاده از این نوع دادهها به طور نظری قادر به پیشبینی الگوهای آب و هوایی بلندمدت هستند.
این دادهها برای ارزیابی کیفیت هوا در طول زمان بسیار مفید هستند. این اطلاعات در مدلهای هواشناسی گنجانده میشود که به نوبه خود منجر به پیشبینیهای دقیقتری از آب و هوا میشود.
ابزارهای دیگر همچنین میتوانند برای تعیین دمای سطح دریا مورد استفاده قرار گیرند که یک عامل مهم دیگر در پیشبینی آب و هوا در دراز مدت است. سپس این دادهها میتوانند برای پیشبینی آب و هوا از جمله تغییرات فصلی در مقیاس بزرگ استفاده شوند. آنها همچنین اطلاعاتی را برای کمک به پیشبینی شرایط آب و هوایی خطرناک مانند طوفان، گردباد، سیل و کولاک شدید پیش از وقوع جمعآوری میکنند.
این دادهها همچنین برای کمک به ارزیابی خطرات محیطی مانند خشکسالی، آتشسوزی جنگلها و سیل مورد استفاده قرار میگیرند.
نوع دیگری از ماهوارهها که توسط هواشناسان استفاده میشود، ماهوارههای فضای عمیق نامیده میشود. به عنوان مثال ماهواره “DSCOVR” در مدار یک میلیون مایلی(یک میلیون و ۶۰۹ هزار کیلومتری) زمین قرار دارد.
این نوع از ماهوارهها هشدارها و پیشبینیها در مورد خطرات فضایی را فراهم میکنند و بر انرژی خورشیدی که هر روز جذب زمین میشود، نظارت میکنند. “DSCOVR” همچنین قادر به ثبت اطلاعات در مورد سطح ازن و سطح هواژل موجود در جو است.
اما هوش مصنوعی چگونه به کمک پیشبینی آب و هوا میآید؟
مجموعه دادههای ع ظیم جمعآوری شده از وضعیت جوی زمین پیشبینی رویدادهای آینده را بسیار دشوار میکند.
مدلهای کامپیوتری فعلی تنها برای نظارت و هشدار در مورد پدیدههای بزرگ در نظر گرفته شدهاند و شامل مواردی نظیر چگونگی گرم شدن جو زمین توسط خورشید، چگونگی تأثیر تغییر اختلاف فشار روی الگوهای باد و چگونگی تغییر حالت آب (یخ به آب و سپس به بخار) بر جریان انرژی جو زمین است.
آنها همچنین چرخش زمین در فضا را در نظر میگیرند چرا که هر تغییر کوچکی در یک متغیر میتواند رویدادهای آینده را تغییر دهد.
این واقعیت الهام بخش “ادوارد لورنز” یک هواشناس از مؤسسه فناوری ماساچوست(MIT) شد تا اصطلاح معروف خود موسوم به “اثر پروانهای”(Effect Butterfly) را در دهه ۱۹۶۰ میلادی مطرح کند. این نظریه میگوید که چگونه بال زدن یک پروانه در آسیا میتواند بر تغییر آب و هوا در شهر نیویورک آمریکا اثرگذار باشد.
امروزه لورنز به عنوان پدر نظریه آشوب شناخته میشود. وی معتقد است حداکثر حد پیشبینی دقیق آب و هوا حدود دو هفته است.
نظریه آشوب یانظریه بینظمیها شاخهای از ریاضیات است که به مطالعه سیستمهای دینامیکی آشفته میپردازد. سیستمهای آشفته سیستمهای دینامیکیغیر خطی هستند که نسبت به شرایط اولیه خود بسیار حساس بودهاند. تغییری اندک در شرایط اولیه چنین سیستمهایی باعث دگرگونیهای بسیار در مرحله بعدی خواهد شد.
این پدیده در نظریه آشوب به اثر پروانهای مشهور است که در آن به عنوان مثال بالزدن یک پروانه در برزیل میتواند (تحت شرایطی) باعث گردباد در تگزاس شود. بنابراین ارائه پیشبینی طولانی مدت رفتار آنها غیرممکن است.
رفتار سیستمهای آشفته به ظاهر تصادفی مینماید. با اینحال هیچ لزومی به وجود عنصر تصادف در ایجاد رفتار آشوبی نیست و سیستمهای دینامیکی معینی (deterministic) نیز میتوانند رفتاری آشفته از خود نشان دهند.
میتوان نشان داد که شرط لازم رفتار آشوبگونه در سیستمهای دینامیکیِ زمانپیوسته مستقل از زمان و داشتن حداقل سه متغیر حالت است. دینامیک لورنز نمونهای از چنین سیستمی است.
اینجا همان جایی است که هوش مصنوعی میتواند برای بهبود دقت و قابل اطمینان بودن پیشبینی آب و هوا به کار گرفته شود. هوش مصنوعی میتواند برای استفاده در برنامههای ریاضی کامپیوتری و روشهای حل مسائل محاسباتی در مجموعه دادههای وسیع برای شناسایی الگوها و ایجاد یک فرضیه مناسب و تعمیم دادهها مورد استفاده قرار گیرد.
با توجه به پیچیدگی ذاتی پیشبینی آب و هوا، دانشمندان در حال حاضر از هوش مصنوعی برای پیشبینی آب و هوا استفاده میکنند تا سریعاً نتایج خالص و دقیق به دست آید.
هوش مصنوعی با استفاده از مدلهای ریاضی یادگیری عمیق میتواند از پروندههای آب و هوایی گذشته برای پیشبینی آینده یاد بگیرد.
یک مثال برای این نوع پیشبینی آب و هوا، پیشبینی عددی(NWP) است. این مدل مبتنی بر مطالعات و تجزیه و تحلیل مجموعه دادههای گسترده ماهوارهها و دیگر حسگرها برای ارائه پیشبینیهای آب و هوایی کوتاه مدت و پیشبینیهای بلند مدت است.
شرکتهای مختلف در حال حاضر به شدت در حال سرمایهگذاری روی هوش مصنوعی در پیشبینی آب و هوا هستند. برای مثال شرکت IBM به تازگی یک شرکت هواشناسی را خریداری کرده و دادهها و هوش مصنوعی خود را با اطلاعات این شرکت ترکیب کرده است.
این کار منجر به توسعه برنامه “دیپ تاندر“(Deep Thunder) شد که پیشبینیهای آب و هوایی فوقالعادهای را با دقت ۰.۲ تا ۱.۲ مایل ارائه میدهد.
یک شرکت هواشناسی دیگر موسوم به “مونسانتو“(Monsanto) نیز برای پیشبینی آب و هوا در هوش مصنوعی سرمایهگذاری کرده است. این شرکت وظیفه پیش بینی آب و هوای برای صنعت کشاورزی را در دستور کار خود دارد.
امید است در کشور ما نیز روی هوش مصنوعی در زمینه هواشناسی سرمایهگذاری شود تا پیشبینی دقیق و مؤثری از وقوع بلایای طبیعی نظیر همین سیلابهایی که در نوروز ۹۸ با آن روبرو هستیم، انجام شود.
انتهای پیام
Sunday, 8 September , 2024