پیش‌بینی وضعیت جوی با استفاده از هوش مصنوعی به مرحله نوینی قدم گذاشت
به نقل از ایتنا و طبق گفته‌های پیتر دوبن، رئیس گروه مدل‌سازی سامانه‌های زمین در مرکز پیش‌بینی‌های میان‌مدت اروپا (ECMWF) واقع در بن آلمان، «تا جایی که اطلاعات ما در دسترس است، آن‌ها نخستین جریانی هستند که توانسته‌اند دقت پیش‌بینی به این مقیاس را با بهره‌گیری از یادگیری ماشین به دست آورند.»
با در نظر گرفتن تغییرات اقلیمی و افزایش مکرر پدیده‌های جوی شدید، اکنون بیش از هر زمان دیگری احساس نیاز به پیش‌بینی‌های دقیق‌تر وجود دارد. پاریس پردیکارِس، مهندس دانشگاه پنسیلوانیا و یکی از نویسندگان این مطالعه، تصریح می‌کند: «در جهانی که تحت تأثیر تغییرات اقلیمی قرار دارد، دقت در پیش‌بینی‌های سامانه‌های زمین به مسئله‌ای حیاتی تبدیل شده است.»
در این میان، کاهش بودجه و کاهش نیروی کار در ادارهٔ ملی هواشناسی ایالات متحده، اطلاع‌رسانی به‌موقع در مورد خطرات طبیعی را دشوارتر می‌کند.
مدل Aurora به عنوان یکی از چندین مدل یادگیری ماشین که از سال ۲۰۲۲ در حال ارتقاء پیش‌بینی‌های جوی است، کار خود را آغاز کرده است. دوبن توضیح می‌دهد: «ما در دو سال اخیر از مدل‌هایی شبیه به Aurora برای پیش‌بینی‌های روزانه استفاده می‌کنیم.»
همچنین لازم به یادآوری است که اپلیکیشن MSN Weather مایکروسافت در حال حاضر از داده‌های این مدل برای پیش‌بینی‌های جوی خود استفاده می‌کند.
در حالی که سیستم‌های پیش‌بینی سنتی بر مبنای حل معادلات پیچیده ریاضی و فیزیکی عمل می‌کنند، مدل Aurora راهی متفاوت را برگزیده است. این مدل به‌جای شبیه‌سازی فیزیکی، با تحلیل داده‌های کلان و به‌کارگیری الگوهای یادگیری ماشین، به پیش‌بینی شرایط جوی می‌پردازد.
برای مثال، در ژوئیه ۲۰۲۳، مسیر طوفان دوکسوری به‌درستی در پیش‌بینی‌های رسمی شناسایی نشد و هنگامی که این طوفان به فیلیپین رسید، هشدارهای پیشگیرانه کافی وجود نداشت.
نتیجه این بود که جان بسیاری از افراد در اثر سیلاب، رانش زمین و سوانح دیگر به خطر افتاد. اما Aurora در یک سناریوی آزمایشی توانست مسیر این طوفان را با استفاده از داده‌هایی که چهار روز قبل جمع‌آوری شده بودند، به‌مرو درست تخمین بزند.
پژوهشگران با بررسی پیش‌بینی‌های هفت مرکز اصلی هواشناسی برای طوفان‌های سال‌های ۲۰۲۲ و ۲۰۲۳، به نتایجی دست یافتند که نشان بدهد پیش‌بینی‌های Aurora برای طوفان‌های اقیانوس اطلس شمالی و اقیانوس آرام شرقی، در فاصلهٔ زمانی ۲ تا ۵ روز پیش از وقوع، به طور میانگین ۲۰ تا ۲۵ درصد دقیق‌تر از پیش‌بینی‌های رسمی بوده است.
مگان استنلی، پژوهشگر حوزه یادگیری ماشین در مایکروسافت کمبریج و یکی از نویسندگان این مقاله، بیان می‌کند: «پیش‌بینی دقیق مسیر طوفان‌ها تا پنج روز قبل از وقوع یک دستاورد بی‌سابقه محسوب می‌شود.» او همچنین می‌افزاید: «همه به‌خوبی می‌دانند که فقط یک روز جلوتر از وقوع طوفان اطلاع داشتن، می‌تواند جان انسان‌های زیادی را نجات دهد.»
Aurora به عنوان مدلی از نوع «پایه» (foundation model) در حوزه هوش مصنوعی شناخته می‌شود. این مدل‌ها به گونه‌ای هستند که مانند فارغ‌التحصیلان دبیرستانی، توانایی آموزش‌های تکمیلی را دارند و می‌توانند در رشته‌های مختلف تخصص پیدا کنند.
در مورد Aurora، تیم پژوهشگران اطلاعات جدیدی پیرامون مسیر طوفان‌ها، میزان آلودگی هوا و وضعیت امواج اقیانوسی را در اختیار مدل قرار دادند تا توانایی آن در انجام پیش‌بینی‌های خاص افزایش یابد.
اگرچه سیستم‌های سنتی برای تولید پیش‌بینی‌های دقیق نیاز به ابررایانه‌هایی دارند که ممکن است ساعت‌ها زمان صرف کنند، اما فرآیند توسعهٔ Aurora تنها هشت هفته به طول انجامیده و فعالیت آن با استفاده از یک رایانه رومیزی نیز امکان‌پذیر است. به گفتهٔ دوبن، توسعهٔ مدل‌هایی که مبتنی بر فیزیک هستند، گاهی ممکن است سال‌ها به طول بینجامد.
این ویژگی‌ها امکان دستیابی به پیش‌بینی‌های دقیق جوی را برای کشورها و مناطق باز می‌کند که از نظر مالی یا فنی توانایی انجام شبیه‌سازی‌های پیچیده را ندارند. از سوی دیگر، قابلیت تنظیم مجدد (fine-tuning) این مدل پایه، استفاده از آن را برای پیش‌بینی سایر پدیده‌ها مانند یخ‌زدگی دریاها، سیل، آتش‌سوزی‌های جنگلی و دیگر رخدادهای طبیعی فراهم می‌آورد.
