آیا هوش مصنوعی می‌تواند به پیش‌بینان‌ها کمک کند تا طوفان‌های ویرانگر را بهتر پیش‌بینی کنند؟

مرکز ملی طوفان‌های گرمسیری قابلیت‌های گوگل دیپ‌مایند را آزمایش کرد.

چرا هیچ طوفانی در سال ۲۰۲۵ به خاک ایالات متحده نرسید

طبق گزارش NOAA، پس از افزودن مدل دیپ‌مایند به جعبه ابزار گسترده پیش‌بینان‌ها، این مدل در برخی موارد عملکرد بهتری نسبت به همتایان سنتی و حجیم خود داشت.

این سازمان پیش‌بینی طوفان ملیسا را به عنوان مثالی برجسته ذکر کرد.

مدل دیپ‌مایند، و همچنین نسخه هوش مصنوعی مدل اروپایی، به پیش‌بینان‌های مرکز ملی طوفان‌ها (NHC) درجه‌ای غیرمعمول از اطمینان داد که طوفان ملیسا به سرعت به یک طوفان عمده دسته ۵ تبدیل خواهد شد و پیش از آن ضربه ویرانگری به جامائیکا وارد خواهد کرد.

«من واقعاً از توانایی [مدل دیپ‌مایند] در مدیریت تشدید سریع تحت تأثیر قرار گرفتم، زیرا این موضوعی چالش‌برانگیز برای بسیاری از این نوع مدل‌ها بوده است»، گفت مت لانزا، ویراستار مدیر وبلاگ The Eyewall. «کاری که در طول ملیسا انجام داد، بدون شک در هشدار دادن درباره ریسک بسیار بالا نقش حیاتی ایفا کرد»، لانزا افزود.

به طور کلی، NOAA گزارش می‌دهد که مدل دیپ‌مایند دقیق‌ترین مدل برای مسیر طوفان و شدت آن بود و تنها پیش‌بینی که از آن در دقت پیشی گرفت، پیش‌بینی‌های رسمی NHC بود.

طوفان ملیسا یکی از قوی‌ترین طوفان‌های آتلانتیک ثبت‌شده در تاریخ است که به خشکی رسیده

جیمز فرانکلین، رئیس سابق شاخه NHC، در شبکه‌های اجتماعی نتایج را تحلیل کرد و آن را «سال طلایی» برای مدل گوگل دیپ‌مایند نامید.

سخنگوی تیم گوگل دیپ‌مایند گفت که اگرچه این عملکرد قوی برای قابلیت‌های پیش‌بینی آب و هوای مدل بود، اما توصیه می‌کنند عملکرد مدل را بر اساس یک طوفان یا معیار واحد توصیف نکنند.

چگونه کار می‌کند؟

مدل‌های سنتی آب و هوا – مانند مدل اروپایی و سیستم پیش‌بینی جهانی آمریکایی که NHC به طور منظم از آن استفاده می‌کند – بر شبیه‌سازی‌های پیچیده تکیه دارند که از معادلات جوی و فیزیکی استفاده می‌کنند و برای اجرا به زمان و قدرت محاسباتی قابل توجهی نیاز دارند.

مدل‌های هوش مصنوعی آب و هوا، مانند مدل دیپ‌مایند، به قدرت محاسباتی کمتری نیاز دارند و سریع‌تر هستند. آن‌ها با بررسی داده‌های تاریخی آب و هوا، شناسایی الگوها و روابط از طوفان‌های گذشته، یاد می‌گیرند پیش‌بینی کنند و پیش‌بینی‌های خود را در ثانیه‌ها تکمیل می‌کنند.

«مدل‌های هوش مصنوعی/یادگیری ماشین از اطلاعات میدان‌های آب و هوایی گذشته استفاده می‌کنند، معمولاً بیش از ۴۰ سال از وضعیت جو در فواصل ۶ ساعته، تا «یاد بگیرند» جو چگونه با گذشت زمان تکامل می‌یابد»، گفت رایان تورن، استاد و پژوهشگر در دانشگاه آلبانی که متخصص مدل‌سازی آب و هوا است.

«پس از اینکه مدل هوش مصنوعی/یادگیری ماشین جو را یاد گرفت، می‌توانید اطلاعات وضعیت فعلی جو را به آن بدهید تا پیش‌بینی ایجاد کند»، تورن افزود.

در مورد مدل هوش مصنوعی دیپ‌مایند، گوگل می‌گوید که صدها سناریوی مختلف آب و هوایی را از یک نقطه شروع واحد در عرض چند دقیقه تولید می‌کند، در حالی که مدل‌های سنتی ساعت‌ها طول می‌کشد تا همین کار را انجام دهند.

با وجود مزایای استفاده از هوش مصنوعی در فصل طوفان‌های ۲۰۲۵، تحقیقات و آزمایش‌های بیشتری لازم است تا مدل‌های مبتنی بر هوش مصنوعی بر پیش‌بینی مسلط شوند.

لانزا گفت مدل‌هایی مانند دیپ‌مایند هنوز باید خود را با طوفان‌های خلیج ثابت کنند، زیرا فصل طوفان امسال به طور غیرعادی آرام بود.

«وقتی به آب و هوای شدید و تغییرات آب و هوایی فکر می‌کنید، باید به این هم فکر کنید که رویدادهایی خارج از مرزهای انتظار رخ خواهند داد و مدل‌سازی هوش مصنوعی ممکن است آن ریسک را ثبت نکند»، گفت لانزا. «اینجاست که مدل‌سازی مبتنی بر فیزیک سنتی ممکن است همچنان ضروری بماند»، لانزا افزود.

تورن نیز بر اهمیت مدل‌های سنتی تأکید کرد، در حالی که مدل‌های هوش مصنوعی سعی می‌کنند خطاهای ناشی از تغییرات ناگهانی آب و هوا یا شکاف‌های داده‌های آب و هوایی را با هموار کردن تفاوت‌ها کاهش دهند.

«پخش کردن تفاوت‌ها در سطح وسیع‌تری فاقد معنای فیزیکی است و پیش‌بینی را بعداً تحت تأثیر قرار خواهد داد»، گفت تورن. «مدل‌های کاملاً فیزیکی ما در این زمینه عملکرد بهتری دارند زیرا قوانین فیزیکی را در مدل‌ها گنجانده‌ایم.»

سخنگوی تیم گوگل دیپ‌مایند گفت که در حالی که مدل‌های هوش مصنوعی آب و هوا معادلات پیچیده فیزیکی و جوی را مانند همتایان سنتی خود پردازش نمی‌کنند، آن‌ها را با استفاده از مدل‌های سنتی برای آموزش و شرایط اولیه تکمیل می‌کنند – ترکیبی از سرعت و دقت برای بهبود پیش‌بینی‌ها.