به گزارش خبرگزاری بسیج، آخرین باری که شما برای بررسی پیش‌بینی وضعیت هوا اقدام کردید، شاید برای زمانی بود که قصد داشتید برای آخر هفته به مسافرت بروید. سپس نام شهر مقصد را در گوگل جستجو کرده و یا به گزارش وضعیت هواشناسی اخبار محلی گوش می‌دهید تا از اوضاع آب‌وهوای مقصد مطلع شوید.
اما به‌روزرسانی‌های پیش‌بینی آب‌وهوا ممکن است برای افراد حوزه تجارت، دولت و کشاورزان متفاوت باشد. این موضوع به آن‌ها کمک می‌کند تا در پاسخ به بلایای طبیعی احتمالی که ممکن است رخ دهد، بهتر آماده شوند. این می‌تواند به کشاورزان در تصمیم‌گیری برای کاشت و برداشت کمک کند. حتی شرکت‌های هواپیمایی نیز از نقشه‌ها و مسیرها بهره‌مند شده یا تصمیم می‌گیرند که در صورت شرایط طوفانی، برای لغو پروازها تصمیم بگیرند. اما تصور کنید که پیش‌بینی‌های اشتباه یک هواشناس چگونه همه را ناراحت می‌کند.
مدل‌های سنتی پیش‌بینی آب‌وهوا مبتنی بر اقدامات آماری مدل‌های عددی است و به‌صورت باینری جواب نمی‌دهد. داده‌های جمع‌آوری‌شده می‌توانند از ماهواره‌های فضایی، بالون‌های هوا، سیستم‌های راداری، تجزیه‌وتحلیل‌های محیطی و گاهی اوقات سنسورهای مبتنی بر اینترنت اشیاء باشد. اما با افزایش داده‌های روزافزون، تغییر شرایط جوی، صحت پیش‌بینی‌ها، به‌ویژه برای دوره‌های طولانی‌تر، ممکن است نوسان پیدا کند. اینجا جایی است که هوش مصنوعی می‌تواند در افزایش دقت و قابلیت اطمینان پیش‌بینی آب‌وهوا خود را اثبات کرده و فعالیت انسانی را نیز کاهش دهد.
پیش‌بینی‌های هوش مصنوعی در اصل بر اساس الگوریتم‌های یادگیری ماشین است. اکنون هواشناسان با استفاده از پردازش داده‌های پیچیده‌تر در مدت‌زمان کوتاه‌تر توسط اصول رگرسیون خطی (رگرسیون یک نوع مدل آماری‌ست برای پیش‌بینی یک متغیر از روی یک یا چند متغیر دیگر)، قادرند پیش‌بینی‌های خود را با دقت بیشتری انجام دهند و درنتیجه موجب صرفه‌جویی در زندگی و هزینه شوند.
یادگیری ماشینی می‌تواند با سایر پیش‌بینی‌ها ازجمله دما، ارتفاع موج و بارش هماهنگ باشد. یکی از این مدل‌های محبوب، پیش‌بینی آب‌وهوای عددی (NWP) است. این مدل مجموعه داده‌های وسیعی را که از ماهواره‌های آب‌وهوا، ایستگاه‌های رله و رادیوسوند (رادیوسوند از ابزارهای مهم اندازه‌گیری دما، رطوبت، فشار، سمت و سرعت باد در جو بالا است) بازپخش می‌شوند را برای ارائه پیش‌بینی‌های هواشناسی کوتاه‌مدت یا پیش‌بینی‌های اقلیمی بلندمدت مورد مطالعه و بررسی قرار می‌دهد.
سایر تکنیک‌های هوش مصنوعی برای پیش‌بینی وضعیت آب‌وهوا شامل شبکه عصبی مصنوعی، شبکه عصبی گروهی، شبکه انتشار معکوس، شبکه عملکرد پایه محوری، شبکه عصبی رگرسیون عمومی، الگوریتم ژنتیک، پرسپتون چندلایه و خوشه‌بندی فازی می‌شوند.
یک گروه محقق در اداره ملی اقیانوسی و جوی (NOAA) دریافتند که استفاده از تکنیک‌های هوش مصنوعی به همراه درک فیزیکیِ محیط می‌تواند مهارت پیش‌بینی را به‌طور قابل‌توجهی برای انواع مختلف آب‌وهوا بهبود بخشد. این نوع هوا شامل وقایعی مانند رعدوبرق شدید، گردبادهای عظیم و طوفان شدید است.
سال گذشته گروه دیگری از محققان یک شرکت هواشناسی، دانشگاه پنسیلوانیا و دانشگاه آلمریای اسپانیا، یک مدل رایانه طراحی کردند که بتواند حرکت ابرهای ویرگولی را در تصاویر ماهواره‌ای تشخیص دهد. این ابرها به‌سختی قابل‌رؤیت هستند و با ساختار سیکلونی همراه هستند. این مدل می‌تواند نتایج را با دقت ۹۹ درصد و به‌طور متوسط ۴۰ ثانیه در هر پیش‌بینی، تشخیص دهد.
در سال ۱۹۹۶، IBM یکی از اولین شرکت‌هایی بود که از سیستم‌های رایانه‌ای برای بهبود پیش‌بینی‌های مربوط به وضعیت هوا استفاده کرد. آی.بی.ام پس از خرید شرکت هواشناسی The Weather Company در سال ۲۰۱۶ و زیرمجموعه‌های آن ازجمله Weather.com ،Weather Underground ، Weather Company Brand و WSI، حال قصد دارد از این داده‌های گسترده و عظیم به‌وسیله قابلیت‌های محاسبات پیشرفته شناختی IBM Watson و خدمات ابری، آینده پیش‌بینی هوا را متحول کند.
ابزار پیش‌بینی هوش مصنوعی Google نیز که مبتنی بر شبکه عصبی پیچشی (CNN) است، به محققان اجازه می‌دهد پیش‌بینی دقیق بارندگی را شش ساعت قبل از وقوع بارش انجام دهد. این شبکه رده‌ای از شبکه‌های عصبی عمیق است که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند. شبکه عصبی پیچشی تصاویر ورودی ماهواره‌ای را می‌گیرد و سپس آن‌ها را به تصاویر خروجی تبدیل می‌کند.
شرکت اقلیمی "مونسانتو" نیز در پیش‌بینی وضعیت آب‌وهوای کشاورزی فعالیت دارد. این شرکت از تصاویر ماهواره‌ای و داده‌های هوای محلی به همراه مدل‌های یادگیری ماشین برای تقویت پیش‌بینی هواشناسی، به‌ویژه برای کشاورزان استفاده می‌کند.
در همین حال، محققان مؤسسه پلی‌تکنیک فدرال لوزانِ سوئیس، از داده‌های استاندارد هواشناسی و یادگیری ماشین برای ساختن یک سیستم ساده استفاده کردند که می‌تواند رعدوبرق را ۱۰الی۳۰ دقیقه قبل از اتفاق و در شعاع حدود ۳۰کیلومتری پیش‌بینی کند. این گروه داده‌های مربوط به رعدوبرق‌های رخ‌داده در گذشته را از ۱۲ ایستگاه هواشناسی سوئیس در محیط‌های شهری و کوهستانی بین سال‌های ۲۰۰۶ و ۲۰۱۷ جمع‌آوری کردند.
سپس از همان داده‌ها برای ساخت یک الگوریتم برای پیش‌بینی صاعقه‌های جدید، در فرایندی به نام hindcasting استفاده کرد. این الگوریتم از دقت ۸۰ درصد برخوردار است. سال گذشته مدل‌های هوش مصنوعی پاناسونیک به دقیق‌ترین پیش‌بینی‌ها درباره طوفان ایرما در ایالت فلوریدا، کمک کردند، به‌طوری‌که توانستند محل وقوع طوفان را چهار تا هفت روز قبل، تعیین کنند.
پیش‌بینی هوا از طریق هوش مصنوعی خدمات بسیاری به بشر ارائه می‌کند؛ از کمک به مدیریت سوانح گرفته تا لجستیک، صنایع مختلف و کشاورزی. در آینده نزدیک بشر قادر خواهد بود از آن برای شناسایی مراکز طوفان، بارندگی‌های شدید و فصول آفات استفاده کنیم. اما نباید فراموش کرد که باوجود افزایش سطح دقت، پیش‌بینی هوا هرگز نمی‌تواند صددرصد دقیق باشد. ایده این است که بر کاستی فعلی در روند پیش‌بینی و تجزیه‌وتحلیل غلبه کنیم، جایی که هوش مصنوعی در حال پر کردن شکاف‌ها است.
