نظام التعلم العميق يمكن التنبؤ بدقة بالطقس القاسي

قام مهندسون في جامعة رايس بتطوير نظام تعلم عميق يمكنه التنبؤ بدقة بالأحداث الجوية القاسية حتى خمسة أيام مقدما. يتطلب النظام، الذي تعلم نفسه، معلومات mínima حول حالة الطقس الحالية لتقديم التنبؤات.             

يشمل جزء من تدريب النظام دراسة مئات من أزواج الخرائط، وكل خريطة تشير إلى درجات الحرارة وضغوط الهواء على ارتفاع خمسة كيلومترات. يتم عرض هذه الظروف بعدة أيام. كما يقدم التدريب سيناريوهات أدت إلى طقس قاسي، مثل الفترات الحارة والباردة التي يمكن أن تسبب موجات حرارة وعواصف شتوية. بعد الانتهاء من التدريب، كان نظام التعلم العميق قادراً على تقديم تنبؤات لمدة خمسة أيام بالطقس القاسي بناءً على الخرائط التي لم يرها من قبل، مع معدل دقة يبلغ 85٪.

وفقا لبيدرام حسان زاده، أحد مؤلفي الدراسة التي نُشرت على الإنترنت في مجلة الجمعية الجيوفيزيائية الأمريكية لتقدم النمذجة، يمكن استخدام النظام كأداة وتعمل كتحذير مبكر لمناطقي الطقس. سيكون مفيداً بشكل خاص لتعلم المزيد حول ظروف جوية معينة تسبب سيناريوهات الطقس القاسي. 

بسبب اختراع التنبؤ الجوي العددي القائم على الكمبيوتر في الخمسينات، تحسنت توقعات الطقس اليومية. ومع ذلك، لا يمكن للتنبؤ الجوي العددي أن يقدم تنبؤات موثوقة بالأحداث الجوية القاسية، مثل موجات الحرارة. 

“قد يكون من الضروري الحصول على أسرع حواسيب لتحليل المعادلات الحاكمة لنمذجة التنبؤ الجوي العددي بدقة أعلى،” قال حسان زاده، أستاذ مساعد في الهندسة الميكانيكية والعلوم الأرضية والبيئية والكوكبية في جامعة رايس. “لكن نظراً لأننا لا نفهم تماما الفيزياء والظروف السابقة لأنماط الطقس المسببة للطقس القاسي، فمن الممكن أن المعادلات ليست دقيقة تماما، ولن تنتج توقعات أفضل، مهما كان القدرة الحاسوبية التي نضعها فيها.”

في عام 2017، انضم حسان زاده إلى مؤلفي الدراسة وطلاب الدراسات العليا أشيش تشاتوبادياي وإبراهيم نبيزاده. ساروا معاً على طريق مختلف. 

“عندما تحصل على موجات حرارة أو برد، إذا نظرت إلى خريطة الطقس، غالباً ما سترى سلوكاً غريباً في تيار النفاث، أشياء غير عادية مثل موجات كبيرة أو نظام ضغط عالٍ لا يتحرك على الإطلاق،” قال حسان زاده. “بدا وكأنه مشكلة في تحليل الأنماط. لذلك قررنا إعادة صياغة توقعات الطقس القاسي كمشكلة في تحليل الأنماط بدلاً من مشكلة عددية.”

“قررنا تدريب نموذجنا من خلال عرضه على الكثير من أنماط الضغط في الخمسة كيلومترات فوق الأرض، وتخبره، لكل منها، ‘هذا لم يسبب طقساً قاسياً. هذا تسبب في موجة حرارة في كاليفورنيا. هذا لم يسبب أي شيء. هذا تسبب في موجة برد في الشمال الشرقي,'” استمر حسان زاده. “ليس شيئاً محدداً مثل هيوستن مقابل دالاس، ولكن أكثر من شعور بمنطقة إقليمية.”

قبل الحواسيب، تم استخدام التنبؤ الجوي التناظري للتنبؤ بالطقس. تم القيام به بطريقة مماثلة للنظام الجديد، ولكن كان البشر هم الذين يقومون به. 

“طريقة التنبؤ التي كانت تستخدم قبل الحواسيب هي أنهم كانوا ينظرون إلى نمط نظام الضغط اليوم، ثم يذهبون إلى كتالوج لأنماط سابقة ومقارنتها ومحاولة العثور على نمط مشابه،” قال حسان زاده. “إذا أدى ذلك إلى مطر فوق فرنسا بعد ثلاثة أيام، فإن التنبؤ سيكون بمطر في فرنسا.”

الآن، يمكن للشبكات العصبية التعلم بشكل مستقل ولا تحتاج بالضرورة إلى الاعتماد على البشر للعثور على الصلات. 

“لم يكن الأمر مهمًا لأننا لا نفهم تماما السبب لأن الشبكة العصبية تعلمت العثور على تلك الصلات بنفسها،” قال حسان زاده. “تعلمت النمط الذي كان حاسماً للطقس القاسي، واستخدمته للعثور على أفضل نمط مشابه.”

为了 اختبار مفهومهم، اعتمد الفريق على بيانات مأخوذة من محاكاة حاسوبية واقعية. لقد أبلغوا في البداية عن نتائج أولية باستخدام شبكة عصبية التجميع، ثم تحول الفريق إلى شبكات عصبية الكبسولة. لا تستطيع شبكات العصبية التجميعية التعرف على العلاقات المكانية النسبية، ولكن شبكات العصبية الكبسولة يمكنها ذلك. هذه العلاقات المكانية النسبية مهمة عند تطور الأنماط الجوية. 

“المواقع النسبية لأنماط الضغط، والأعلى والأسفل التي ترى على خرائط الطقس، هي العامل الرئيسي في تحديد كيفية تطور الطقس،” قال حسان زاده.

شبكات العصبية الكبسولة تتطلب أيضاً بيانات تدريب أقل من شبكات العصبية التجميعية. 

سيستمر الفريق في العمل على النظام حتى يتمكن من استخدامه في التنبؤ الجوي التشغيلي، ولكن حسان زاده يأمل أن يؤدي في النهاية إلى توقعات أكثر دقة للطقس القاسي. 

“نحن لا نقترح أن هذا سوف يreplace التنبؤ الجوي العددي في النهاية،” قال. “لكن هذا قد يكون دليلًا مفيدًا للتنبؤ الجوي العددي. من الناحية الحاسوبية، قد يكون هذا طريقة رخيصة جداً لتوفير بعض الإرشاد، تحذير مبكر، يسمح لك بالتركيز على موارد التنبؤ الجوي العددي بشكل خاص حيث من المحتمل أن يكون الطقس القاسي.”

“نريد الاستفادة من الأفكار من الذكاء الاصطناعي القابل للشرح لتفسير ما تفعله الشبكة العصبية،” قال. “هذا قد يساعدنا على تحديد السبب لأنماط الطقس المسببة للطقس القاسي وتحسين فهم فيزيائها.”