بسته شواهد: دقت و محدودیت‌های مدل‌های پیش‌بینی آب و هوای مبتنی بر هوش مصنوعی

هر شش ساعت، هواشناسان در آژانس‌های ملی پیش‌بینی با انتخابی روبرو هستند که دستورات تخلیه، لغو پروازها و برنامه‌ریزی کشاورزی را تعیین می‌کند. آن‌ها باید تصمیم بگیرند که آیا هشدارهای آب و هوای شدید را بر اساس آخرین اجرای مدل‌ها صادر کنند یا خیر. از لحاظ تاریخی، این تصمیم کاملاً متکی بر مدل‌های پیش‌بینی عددی آب و هوا (NWP) مبتنی بر فیزیک بود که روی ابررایانه‌های عظیم اجرا می‌شدند. اما زمانی که چرخه عملیاتی بعدی در ۰۰Z یا ۱۲Z آغاز می‌شود، پیش‌بینی‌کنندگان در مرکز اروپایی پیش‌بینی‌های میان‌مدت آب و هوا (ECMWF) و سازمان جهانی هواشناسی (WMO) به طور فزاینده‌ای ورودی کاملاً متفاوتی را در نظر می‌گیرند: پیش‌بینی‌هایی که در عرض چند ثانیه توسط هوش مصنوعی تولید می‌شوند. این نشان‌دهنده یک تغییر ساختاری در نحوه پیش‌بینی جو توسط بشر است، که از حل معادلات به سمت شناسایی الگوها حرکت می‌کند.[3][6]

برای درک اینکه چرا این تغییر در حال وقوع است، باید به نحوه عملکرد پیش‌بینی سنتی نگاه کرد. مدل‌های NWP مانند سیستم با وضوح بالا (HRES) مرکز ECMWF یا سیستم پیش‌بینی جهانی (GFS) آمریکا، جو را به یک شبکه سه‌بعدی تقسیم می‌کنند. آن‌ها از معادلات دیفرانسیل پیچیده — دینامیک سیالات و ترمودینامیک — برای محاسبه نحوه حرکت هوا، گرما و رطوبت از یک جعبه شبکه به جعبه دیگر استفاده می‌کنند. این امر نیازمند قدرت محاسباتی فوق‌العاده‌ای است؛ اجرای یک پیش‌بینی جهانی ۱۰ روزه ساعت‌ها طول می‌کشد و این موضوع به شدت تعداد سناریوهایی را که یک آژانس می‌تواند قبل از رسیدن طوفان به خشکی شبیه‌سازی کند، محدود می‌کند. فیزیک دقیق است، اما گلوگاه محاسباتی مطلق است.[1][6]

مدل‌های آب و هوای هوش مصنوعی، مانند GraphCast گوگل دیپ‌مایند، Pangu-Weather هوآوی، و سیستم پیش‌بینی هوش مصنوعی (AIFS) خود ECMWF، معادلات فیزیکی را به طور کامل کنار می‌گذارند. در عوض، آن‌ها از معماری‌های یادگیری عمیق — مانند شبکه‌های عصبی گرافی (GNNs) یا ترانسفورماتورهای بینایی سه‌بعدی — استفاده می‌کنند که بر اساس دهه‌ها داده‌های آب و هوایی تاریخی آموزش دیده‌اند. این مدل‌ها روابط آماری بین حالت‌های جوی را یاد می‌گیرند. وقتی شرایط آب و هوایی فعلی به آن‌ها داده می‌شود، الگو را تشخیص داده و فوراً حالت بعدی را خروجی می‌دهند. آن‌ها محاسبه نمی‌کنند که باد چگونه خواهد وزید؛ بلکه به یاد می‌آورند که آخرین باری که جو دقیقاً این شکلی بود، چگونه وزید.[1][2][3]

مکانیسم کاملاً مبتنی بر داده است. به عنوان مثال، Pangu-Weather سطوح فشار جوی را به داده‌های مکعبی تبدیل کرده و یک الگوریتم تجمیع زمانی سلسله‌مراتبی را برای پیش‌بینی آب و هوا در مراحل مختلف اعمال می‌کند. از آنجایی که در زمان اجرا معادلات فیزیکی را محاسبه نمی‌کند، هزینه استنتاج آن ناچیز است. Pangu-Weather می‌تواند یک پیش‌بینی جهانی ۲۴ ساعته را در ۱٫۴ ثانیه روی یک GPU انویدیا Tesla-V100 تولید کند — که بیش از ۱۰,۰۰۰ برابر سریع‌تر از IFS عملیاتی است. این سرعت، امکان اجرای مجموعه‌های عظیم را روی سخت‌افزار استاندارد فراهم می‌کند و دسترسی به راهنمایی‌های هواشناسی با کیفیت بالا را دموکراتیزه می‌سازد.[1]

اگر دقت پایین بود، سرعت به تنهایی یک نوآوری محسوب می‌شد، اما داده‌ها عکس این را نشان می‌دهند. در پیش‌بینی‌های قطعی، مدل‌های هوش مصنوعی اکنون بهترین سیستم‌های مبتنی بر فیزیک را در معیارهای استاندارد هواشناسی شکست می‌دهند. معیار اصلی برای پیش‌بینی میان‌مدت، خطای میانگین مربع ریشه (RMSE) ارتفاع ژئوپتانسیل ۵۰۰ هکتوپاسکال (Z500) است — که اساساً نشان می‌دهد مدل چقدر دقیق الگوهای فشاری را که سیستم‌های آب و هوایی جهانی را هدایت می‌کنند، پیش‌بینی می‌کند. اعداد کمتر نشان‌دهنده پیش‌بینی‌ای هستند که با واقعیت انطباق بیشتری دارد.[1][2]

بر اساس معیارهای بررسی‌شده توسط همتایان که در نشریه Nature منتشر شده است، مدل سنتی HRES مرکز ECMWF دارای خطای RMSE Z500 پنج روزه ۳۳۳٫۷ متر مربع بر ثانیه مربع است. Pangu-Weather این خطا را به ۲۹۶٫۷ متر مربع بر ثانیه مربع کاهش می‌دهد. این نشان‌دهنده کاهش ۱۱٫۱ درصدی خطا در مقایسه با مدل فیزیکی پیشرو جهان، و بهبود ۳۵٫۸ درصدی نسبت به تکرارهای قبلی هوش مصنوعی مانند FourCastNet است که امتیاز ۴۶۲٫۵ متر مربع بر ثانیه مربع را کسب کرده بود. این مدل‌ها صرفاً با سیستم‌های قدیمی برابری نمی‌کنند؛ بلکه فعالانه در حال گسترش شکاف عملکرد در زمان‌های پیش‌بینی میان‌مدت هستند.[1][5][6]

GraphCast تسلط مشابهی را نشان داد. در یک معیار مقایسه‌ای رودررو که در دسامبر ۲۰۲۳ در نشریه Science منتشر شد، مدل دیپ‌مایند در ۹۰ درصد از ۱,۳۸۰ هدف تأیید، عملکرد بهتری نسبت به HRES مرکز ECMWF داشت. این مدل به ویژه در پیش‌بینی باد سطح بالا و ارتفاع ژئوپتانسیل در زمان‌های پیش‌بینی ۵ تا ۱۰ روزه مهارت بالایی از خود نشان داد. این مدل که روی یک Google TPU v4 اجرا می‌شد، یک پیش‌بینی جهانی ۱۰ روزه کامل را در کمتر از یک دقیقه تولید کرد و مسیر طوفان‌های شدید را روزها قبل از آنکه مدل‌های سنتی خطر را تشخیص دهند، پیش‌بینی کرد.[2]

این جهش در دقت و سرعت، اساساً اقتصاد و دسترسی به سیستم‌های هشدار اولیه را تغییر می‌دهد. هنگامی که یک مدل در عرض چند ثانیه روی یک GPU اجرا می‌شود، نه ساعت‌ها روی یک ابررایانه، آژانس‌های هواشناسی می‌توانند مجموعه‌های عظیمی تولید کنند — مدل را صدها بار با تغییرات جزئی در شرایط اولیه اجرا کرده تا احتمال دقیق مسیر یک طوفان یا موج گرما را محاسبه کنند. این امر مستقیماً به هشدارهای زودتر و مطمئن‌تر برای جوامعی که در مسیر آب و هوای شدید قرار دارند، منجر می‌شود و تمرکز عملیاتی را از محاسبه پیش‌بینی به سمت اطلاع‌رسانی ریسک تغییر می‌دهد.[4][6]

با این حال، مکانیسمی که مدل‌های هوش مصنوعی را بسیار سریع می‌کند، محدودیت اصلی آن‌ها را نیز معرفی می‌کند: هموارسازی غیرفیزیکی (unphysical smoothing). از آنجایی که آن‌ها برای به حداقل رساندن خطای میانگین در یک مجموعه داده عظیم بهینه‌سازی شده‌اند، مدل‌های هوش مصنوعی تمایل دارند پیش‌بینی‌های خود را هنگام عدم قطعیت محو کنند. یک پروژه مقایسه‌ای WMO در سال ۲۰۲۶ اشاره کرد که در حالی که سیستم‌های هوش مصنوعی پیش‌بینی‌های ۱۰ روزه بسیار دقیقی تولید می‌کنند، آن‌ها به طور سیستماتیک شدت رویدادهای شدید رکوردشکن — مانند بارندگی بی‌سابقه یا طوفان‌های شدید محلی — را که خارج از داده‌های آموزشی تاریخی آن‌ها قرار می‌گیرند، دست کم می‌گیرند. وقتی جو کاری را انجام می‌دهد که قبلاً هرگز انجام نداده است، هوش مصنوعی برای پیش‌بینی آن دچار مشکل می‌شود.[6]

شواهد در مورد متغیرهای سطحی با مقیاس دقیق هنوز کم است. در حالی که مدل‌های هوش مصنوعی در الگوهای جوی گسترده برتری دارند، ممکن است با فیزیک محلی باد و بارش مشکل داشته باشند. به عنوان مثال، در حالی که پیش‌بینی‌های دمای Pangu-Weather از مدل‌های سنتی بهتر است، ارزیابی‌های مستقل نشان داده‌اند که عملکرد آن در مورد سرعت‌های خاص باد سطحی گاهی اوقات کمی از خط پایه ECMWF عقب می‌ماند. مدل‌های هوش مصنوعی می‌دانند که آب و هوا معمولاً چه می‌کند، اما ذاتاً قوانین فیزیکی را که بر آنچه آب و هوا باید انجام دهد، حاکم است، نمی‌دانند.[1][6]

برای پر کردن این شکاف، مرز بعدی پیش‌بینی ترکیبی (هیبریدی) است. پروژه مقایسه مدل پیش‌بینی آب و هوا (WP-MIP) سازمان جهانی هواشناسی که در اواخر ۲۰۲۴ آغاز شد، در حال ارزیابی نحوه ترکیب راهنماهای هوش مصنوعی با مدل‌های مبتنی بر فیزیک است. با استفاده از هوش مصنوعی برای تولید سریع الگوهای گسترده جوی و NWP سنتی برای حل فیزیک دقیق رویدادهای شدید، آژانس‌ها امیدوارند مزایای هر دو الگو را به دست آورند. هدف این رویکرد حذف هموارسازی غیرفیزیکی هوش مصنوعی خالص و در عین حال دور زدن گلوگاه‌های محاسباتی فیزیک خالص است.[6]

ECMWF قبلاً مدل AIFS خود را به وضعیت عملیاتی رسانده و خروجی‌های آن را در کنار پیش‌بینی‌های سنتی منتشر می‌کند. پیش‌بینی‌کنندگان اکنون تشخیص الگوی سریع هوش مصنوعی را در برابر محاسبات دقیق مدل فیزیکی مقایسه می‌کنند. همانطور که تیم پالمر، مدال‌آور IMO سازمان جهانی هواشناسی، در مورد این تغییر اشاره کرد: «من معتقدم که در آینده، پیش‌بینی آب و هوا ترکیبی از هوش مصنوعی مبتنی بر داده و پیش‌بینی عددی آب و هوای مبتنی بر فیزیک خواهد بود.» همانطور که آژانس‌های ملی به ادغام این ابزارها ادامه می‌دهند، تصمیم‌گیری در مورد صدور هشدار به طور فزاینده‌ای بر اجماع بین تخصص انسانی، دینامیک سیالات و هوش مصنوعی متکی خواهد بود.[3][6]