هوش مصنوعی آینده هواشناسی را بیمه می كند
كوتاه كننده لینك: هواشناسی و پیش بینی وضعیت آب و هوا بطور سنتی مبتنی بر بهترین حدس و پیش بینی برای گمانه زنی درباره وضعیت هوا در آینده نزدیك است، اما هوش مصنوعی می توانند همه چیز را در این زمینه تغییر دهد.
به گزارش كوتاه كننده لینك به نقل از ایسنا، پیش بینی آب و هوا طی ۲۰ سال قبل راه زیادی را پیموده است و هنوز هم مسیری طولانی پیش رو دارد. اما آیا استفاده از هوش مصنوعی می تواند به بهبود توانایی هواشناسی برای پیش بینی الگوهای آب و هوایی كمك كند؟ چقدر دقیق می توان آب و هوا را پیش بینی نمود تا شاهد خسارت های جبران ناپذیر نباشیم؟
روند پیش بینی الگوهای آب و هوا یك علم بسیار پیچیده است و نیاز به به تجزیه و تحلیل و رمزگشایی از مجموعه داده های عظیم جمع آوری شده روزانه از هزاران سنسور و ماهواره های هواشناسی دارد.
شناسایی الگوها در داده های جمع آوری شده برای پیش بینی هوا یك كار بسیار پر اهمیت است و برای حصول بهترین نتایج این كار باید در زمان واقعی صورت گیرد.
اما مانند هرگونه پیش بینی دیگر، پیش بینی آب و هوا یك حدس مبتنی بر آموزش و علم است. از آنجایی كه ما نمی توانیم آب و هوا را كنترل نماییم، بهترین هواشناسان می توانند با استفاده از داده ها و الگوهای گذشته و حال به پیش بینی آب و هوای آینده بپردازند.
این كار خصوصاً برای آگهی در مورد رویدادهای فاجعه آمیز نظیر جاری شدن سیل مهم می باشد.
دقت پیش بینی آب و هوا در طول سالیان اخیر افزایش یافته است، اما هنوز ۱۰۰ درصد دقیق نیست. طبق برخی برآوردها، یك پیش بینی آب و هوایی هفت روزه حدود ۸۰ درصد قابل اعتماد است.
زمان بندی های كوتاه مدت تر دقت بیشتری دارند. بعنوان مثال یك پیش بینی آب و هوایی پنج روزه حدود ۹۰ درصد صحیح است و هر پیش بینی بیشتر از هفت روزه به خصوص پیش بینی های ده روزه یا بیشتر از آن تنها ۵۰ درصد دقیق هستند.
با عنایت به اینكه جو بطور مداوم در حال تغییر است، برآوردهای طولانی مدت برای مدل سازی و پیش بینی بسیار دشوار است. هواشناسان این كار را با استفاده از برنامه های كامپیوتری موسوم به مدلهای هواشناسی برای رسیدن به این پیش بینی ها انجام می دهند.
هواشناسان از انواع حسگرها، ماهواره ها و مدلهای كامپیوتری برای پیش بینی الگوهای آب و هوایی آینده استفاده می نمایند.
بیشتر 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 پیچیده تری مانند بالن های رصد آب و هوا باز استفاده می نمایند. این بالن ها بادكنك های مخصوصی هستند كه بر روی آنها سنسورهای آب و هوا برای اندازه گیری درجه حرارت، فشار هوا، سرعت و جهت باد در تمام لایه های تروپسفر تعبیه شده است.
سیستم های راداری باز توسط هواشناسان برای اندازه گیری بارش در سراسر جهان به كار گرفته می شوند.
اما یكی از قدرتمندترین ابزارهای هواشناسان ماهواره های زیست محیطی است. سازمان ملی اقیانوسی و جوی آمریكا(NOAA) دارای سه ماهواره هواشناسی است كه آب و هوای سراسر زمین را تحت نظر دارند.
یكی از این ماهواره ها ماهواره گردش قطبی است كه در ارتفاع تقریبی ۸۰۵ كیلومتری زمین مستقر است.
این ماهواره ها بطور مداوم زمین را ۱۴ بار در روز قطب به قطب دور می زنند تا بدین ترتیب هر قسمت از سیاره زمین دوبار در روز بطور كامل تحت نظر قرار بگیرد.
این كار ماهواره ها را قادر می سازد مجموعه داده های عظیمی را در مورد جو زمین به صورت كامل همچون ابرها و اقیانوس ها با وضوح بسیار بالا فراهم آورند. هواشناسان با استفاده از این نوع داده ها بطور نظری قادر به پیش بینی الگوهای آب و هوایی بلندمدت هستند.
این داده ها برای ارزیابی كیفیت هوا در طول زمان بسیار مفید هستند. این اطلاعات در مدلهای هواشناسی گنجانده می شود كه به نوبه خود منجر به پیش بینی های دقیق تری از آب و هوا می شود.
ابزارهای دیگر همین طور می توانند برای تعیین دمای سطح دریا مورد استفاده قرار گیرند كه یك عامل مهم دیگر در پیش بینی آب و هوا در دراز مدت است. سپس این داده ها می توانند برای پیش بینی آب و هوا همچون تغییرات فصلی در مقیاس بزرگ استفاده شوند. آنها همین طور اطلاعاتی را برای كمك به پیش بینی شرایط آب و هوایی خطرناك مانند طوفان، گردباد، سیل و كولاك شدید قبل از وقوع جمع آوری می كنند.
این داده ها همین طور برای كمك به ارزیابی خطرات محیطی مانند خشكسالی، آتش سوزی جنگل ها و سیل مورد استفاده قرار می گیرند.
نوع دیگری از ماهواره ها كه توسط هواشناسان استفاده می شود، ماهواره های فضای عمیق نامیده می شود. بعنوان مثال ماهواره "DSCOVR" در مدار یك میلیون مایلی(یك میلیون و ۶۰۹ هزار كیلومتری) زمین قرار دارد.
این نوع از ماهواره ها هشدارها و پیش بینی ها در مورد خطرات فضایی را فراهم می كنند و بر انرژی خورشیدی كه هر روز جذب زمین می شود، نظارت می كنند. "DSCOVR" همین طور قادر به ثبت اطلاعات در مورد سطح ازن و سطح هواژل موجود در جو است.
اما هوش مصنوعی چگونه به كمك پیش بینی آب و هوا می آید؟
مجموعه داده های ع ظیم جمع آوری شده از وضعیت جوی زمین پیش بینی رویدادهای آینده را بسیار دشوار می كند.
مدلهای كامپیوتری فعلی تنها برای نظارت و آگهی در مورد پدیده های بزرگ در نظر گرفته شده اند 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 همین طور چرخش زمین در فضا را در نظر می گیرند چونكه هر تغییر كوچكی در یك متغیر می تواند رویدادهای آینده را تغییر دهد.
این واقعیت الهام بخش "ادوارد لورنز" یك هواشناس از مؤسسه فناوری ماساچوست(MIT) شد تا اصطلاح معروف خود موسوم به "اثر پروانه ای"(Effect Butterfly) را در دهه ۱۹۶۰ میلادی مطرح كند. این نظریه می گوید كه چگونه بال زدن یك پروانه در آسیا می تواند بر تغییر آب و هوا در شهر نیویورك آمریكا اثرگذار باشد.
امروزه لورنز بعنوان پدر نظریه آشوب شناخته می شود. وی معتقد می باشد حداكثر حد پیش بینی دقیق آب و هوا حدود دو هفته است.
نظریه آشوب یانظریه بی نظمی ها شاخه ای از ریاضیات است كه به مطالعه سیستم های دینامیكی آشفته می پردازد. سیستم های آشفته سیستم های دینامیكیغیر خطی هستند كه نسبت به شرایط اولیه خود بسیار حساس بوده اند. تغییری اندك در شرایط اولیه چنین سیستم هایی موجب دگرگونی های بسیار در مرحله بعدی خواهد شد.
این پدیده در نظریه آشوب به اثر پروانه ای معروف است كه در آن بعنوان مثال بال زدن یك پروانه در برزیل می تواند (تحت شرایطی) موجب گردباد در تگزاس شود. بدین سبب نمایش پیش بینی طولانی مدت رفتار آنها غیرممكن است.
رفتار سیستم های آشفته به ظاهر تصادفی می نماید. با این وجود هیچ ضرورتی به وجود عنصر تصادف در ایجاد رفتار آشوبی نیست و سیستم های دینامیكی معینی (deterministic) باز می توانند رفتاری آشفته از خود نشان دهند.
می توان نشان داد كه شرط لازم رفتار آشوب گونه در سیستم های دینامیكیِ زمان پیوسته مستقل از زمان و داشتن حداقل سه متغیر حالت است. دینامیك لورنز نمونه ای از چنین سیستمی است.
اینجا همان جایی است كه هوش مصنوعی می تواند برای بهبود دقت و قابل اطمینان بودن پیش بینی آب و هوا به كار گرفته شود. هوش مصنوعی می تواند جهت استفاده در برنامه های ریاضی كامپیوتری و روش های حل مسائل محاسباتی در مجموعه داده های وسیع برای شناسایی الگوها و ایجاد یك فرضیه مناسب و تعمیم داده ها مورد استفاده قرار گیرد.
با عنایت به پیچیدگی ذاتی پیش بینی آب و هوا، دانشمندان هم اكنون از هوش مصنوعی برای پیش بینی آب و هوا استفاده می نمایند تا سریعاً نتایج خالص و دقیق به دست آید.
هوش مصنوعی با استفاده از مدلهای ریاضی یادگیری عمیق می تواند از پرونده های آب و هوایی گذشته برای پیش بینی آینده یاد بگیرد.
یك مثال برای این نوع پیش بینی آب و هوا، پیش بینی عددی(NWP) است. این مدل مبتنی بر مطالعات و تجزیه و تحلیل مجموعه داده های گسترده ماهواره ها و دیگر حسگرها برای نمایش پیش بینی های آب و هوایی كوتاه مدت و پیش بینی های طولانی مدت است.
شركت های مختلف هم اكنون به شدت در حال سرمایه گذاری روی هوش مصنوعی در پیش بینی آب و هوا هستند. برای مثال شركت IBM اخیرا یك شركت هواشناسی را خریداری نموده و داده ها و هوش مصنوعی خودرا با اطلاعات این شركت تركیب كرده است.
این كار منجر به توسعه برنامه "دیپ تاندر"(Deep Thunder) شد كه پیش بینی های آب و هوایی فوق العاده ای را با دقت ۰.۲ تا ۱.۲ مایل نمایش می دهد.
یك شركت هواشناسی دیگر موسوم به "مونسانتو"(Monsanto) باز برای پیش بینی آب و هوا در هوش مصنوعی سرمایه گزاری نموده است. این شركت وظیفه پیش بینی آب و هوای برای صنعت كشاورزی را در دستور كار خود دارد.
امید است در كشور ما باز روی هوش مصنوعی در زمینه هواشناسی سرمایه گذاری شود تا پیش بینی دقیق و مؤثری از وقوع بلایای طبیعی نظیر همین سیلاب هایی كه در نوروز ۹۸ با آن روبرو می باشیم، صورت گیرد.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان gph در مورد این مطلب