نظام التعلم العميق يمكن أن يتنبأ بدقة بالطقس الشديد

قام مهندسون في جامعة رايس بتطوير نظام تعلم عميق يمكنه التنبؤ بدقة بالطقس الشديد حتى خمسة أيام مقدما. النظام، الذي تعلم نفسه، يحتاج فقط إلى معلومات قليلة عن حالة الطقس الحالية من أجل إجراء التنبؤات.             

جزء من تدريب النظام يتضمن فحص مئات من أزواج الخرائط، وكل خريطة تشير إلى درجات الحرارة السطحية والضغوط الجوية على ارتفاع خمسة كيلومترات. يتم عرض تلك الظروف بعدة أيام. كما يقدم التدريب سيناريوهات أنتجت طقسا شديدا، مثل الحرارة والبرودة التي يمكن أن تسبب موجات حرارة واضحاء شتوية. عند إكمال التدريب، تمكن نظام التعلم العميق من إجراء تنبؤات لمدة خمسة أيام بالطقس الشديد بناءً على الخرائط التي لم يرها من قبل، بنسبة دقة تبلغ 85٪.

وفقا لبيدرام حسن زاده، wsp-مؤلف الدراسة التي نشرت على الإنترنت في مجلة الجمعية الجيوفيزيائية الأمريكية لتقدم النماذج الأرضية، يمكن استخدام النظام كأداة ويعمل كتحذير مبكر للمتنبئين الجويين. سيكون مفيدا بشكل خاص لتعلم المزيد عن ظروف الغلاف الجوي التي تسبب سيناريوهات الطقس الشديد. 

بسبب اختراع التنبؤ الجوي العددي القائم على الكمبيوتر في الخمسينيات، استمرت تنبؤات الطقس اليومية في التحسن. ومع ذلك، لا يمكن للتنبؤ الجوي العددي أن يتنبأ بشكل موثوق بالطقس الشديد، مثل موجات الحرارة. 

“قد يكون من الضروري الحصول على حواسيب فائقة السرعة لحل المعادلات الحاكمة لنمذجة التنبؤ الجوي العددي بدقة أعلى،” قال حسن زاده، أستاذ مساعد في الهندسة الميكانيكية والعلوم الأرضية والبيئية والكوكبية في جامعة رايس. “لكن لأننا لا نفهم تماما الفيزياء والظروف السابقة لأنماط الطقس المسببة للطقس الشديد، فمن المحتمل أن المعادلات ليست دقيقة تماما، ولن تنتج تنبؤات أفضل، بغض النظر عن كمية القوة الحاسوبية التي نضعها فيها.”

في عام 2017، انضم حسن زاده إلى wsp-مؤلفي الدراسة وطلاب الدراسات العليا آشيش تشاتوبادياي وإبراهيم نبي زاده. ساروا معا على طريق مختلف. 

“عندما تحصل على موجات الحرارة أو البرودة، إذا نظرت إلى خريطة الطقس، غالبا ما سترى سلوكا غريبا في تيار النفاث، أشياء غير عادية مثل موجات كبيرة أو نظام ضغط عالٍ لا يتحرك على الإطلاق،” قال حسن زاده. “بدا وكأنه مشكلة في التعرف على الأنماط. لذلك قررنا محاولة إعادة صياغة تنبؤات الطقس الشديد كمشكلة في التعرف على الأنماط بدلا من مشكلة عددية.”

“قررنا تدريب نموذجنا عن طريق إظهار ему الكثير من أنماط الضغط في الخمسة كيلومترات فوق الأرض، وإخبارها، لكل منها، ‘هذا لم يسبب طقسا شديدا. هذا تسبب في موجة حرارة في كاليفورنيا. هذا لم يسبب شيء. هذا تسبب في موجة برودة في الشمال الشرقي،'” استمر حسن زاده. “ليس شيء محدد مثل هيوستن مقابل دالاس، ولكن أكثر من شعور بالمنطقة الإقليمية.”

قبل الحواسيب، تم استخدام التنبؤ الشبيه للتنبؤ بالطقس. تم القيام به بطريقة مشابهة جدا للنظام الجديد، ولكن كان البشر بدلا من الحواسيب. 

“طريقة التنبؤ التي تمت قبل الحواسيب هي أنهم كانوا ينظرون إلى نمط النظام الضغطي اليوم، ثم يذهبون إلى كتالوج من الأنماط السابقة ومقارنتها ومحاولة العثور على شبيه، نمط شبيه جدا،” قال حسن زاده. “إذا أدى ذلك إلى مطر فوق فرنسا بعد ثلاثة أيام، فإن التنبؤ سيكون لمطر في فرنسا.”

الآن، يمكن للشبكات العصبية التعلم بنفسها ولا تحتاج بالضرورة إلى الاعتماد على البشر للعثور على الاتصالات. 

“لم يكن الأمر مهمًا أننا لا نفهم تماما السباقات لأن الشبكة العصبية تعلمت العثور على تلك الاتصالات بنفسها،” قال حسن زاده. “تعلمت أي الأنماط كانت حرجة للطقس الشديد، واستخدمتها للعثور على أفضل شبيه.”

للاختبار مفهومهم، اعتمد الفريق على بيانات مأخوذة من محاكاة حاسوبية واقعية. لقد أبلغوا في البداية عن نتائج أولية مع شبكة عصبية متداخلة، ولكن ثم تحول الفريق إلى شبكات عصبية كبسولة. شبكات عصبية متداخلة لا يمكنها التعرف على العلاقات المكانية النسبية، ولكن شبكات عصبية كبسولة يمكنها. هذه العلاقات المكانية النسبية مهمة عندما يتعلق الأمر بتطور الأنماط الجوية. 

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

شبكات عصبية كبسولة تتطلب أيضا بيانات تدريب أقل من شبكات عصبية متداخلة. 

سيستمر الفريق في العمل على النظام من أجل جعله قادرا على الاستخدام في التنبؤ التشغيلي، ولكن يأمل حسن زاده أن يؤدي في النهاية إلى تنبؤات أكثر دقة للطقس الشديد. 

“لم نقترح أن هذا سيعوض في النهاية التنبؤ الجوي العددي،” قال. “لكن هذا قد يكون دليلًا مفيدًا للتنبؤ الجوي العددي. من الناحية الحاسوبية، قد يكون هذا طريقة رخيصة جدا لتوفير بعض الإرشاد، تحذير مبكر، يسمح لك بالتركيز على موارد التنبؤ الجوي العددي بشكل خاص حيث من المحتمل أن يكون الطقس الشديد.”

“نريد الاستفادة من الأفكار من الذكاء الاصطناعي القابل للشرح لتحليل ما تفعله الشبكة العصبية،” قال. “قد يساعدنا هذا في تحديد السباقات للأنماط الجوية المسببة للطقس الشديد وتحسين فهم الفيزياء الخاصة بها.”