هوش مصنوعی چگونه پیش‌بینی آب‌وهوا را تغییر می‌دهد: GraphCast، AIFS و GEML کانادا

آژانس‌های آب‌وهوایی در اروپا و آمریکای شمالی شروع به اجرای نماذج هوش مصنوعی در کنار سیستم‌های پیش‌بینی مبتنی بر فیزیک که به دهه‌ها پیش می‌رسند، و در برخی موارد ترکیب این دو کرده‌اند. این تغییر از قابلیت هوش مصنوعی برای تولید پیش‌بینی جهانی 10 روزه در کمتر از یک دقیقه بر روی یک پردازنده، در مقابل ساعت‌ها زمان ابرکامپیوتر برای پیش‌بینی عددی سنتی آب‌وهوا، بر اساس Google DeepMind و مرکز اروپایی پیش‌بینی آب‌وهوای میان‌مدت (ECMWF) سرچشمه می‌گیرد.

GraphCast و AIFS درواقع چه می‌کنند

GraphCast، که توسط Google DeepMind ساخته شده است، یک مدل یادگیری ماشینی است که از شبکه‌های عصبی گراف برای پردازش داده‌های آب‌وهوا در بیش از یک میلیون نقطه شبکه که سطح زمین را در دقت 28 در 28 کیلومتر پوشش می‌دهد، استفاده می‌کند. وضعیت جو را از شش ساعت قبل و وضعیت فعلی می‌گیرد، سپس شش ساعت بعدی را پیش‌بینی می‌کند؛ تکرار آن مرحله باعث پیش‌بینی 10 روزه می‌شود. مدل و نتایج آن در مجله Science در 14 نوامبر 2023 منتشر شد، با کد آن به‌عنوان منبع باز منتشر شده، بر اساس اعلام خود Google DeepMind.

ECMWF سیستم خود را ساخت، سیستم پیش‌بینی هوش مصنوعی (AIFS)، که در 25 فوریه 2025 عملیاتی شد، در کنار سیستم پیش‌بینی یکپارچه (IFS) مبتنی بر فیزیک سنتی. AIFS از همان داده‌های شروع IFS استفاده می‌کند - حدود 60 میلیون مشاهده کنترل‌شده کیفیت از ماهواره‌ها، هواپیما‌ها، بویه‌ها و ایستگاه‌های زمینی جمع‌آوری‌شده هر شش ساعت - اما یک مدل یادگیری ماشینی آموزش‌دیده بر اساس الگوهای آب‌وهوای تاریخی را به جای حل مستقیم معادلات فیزیک اعمال می‌کند، بر اساس ECMWF.

مدل‌های هوش مصنوعی تا چه اندازه دقیق هستند، بر اساس سازمان‌های ساخت‌کننده

Google DeepMind گزارش داد که GraphCast پیش‌بینی‌های دقیق‌تری نسبت به پیش‌بینی با دقت بالا (HRES) ECMWF - که توسط شرکت به‌عنوان معیار صنعت توصیف شده است - در بیش از 90 درصد از 1,380 متغیر آزمون و زمان‌های پیشرو، و در 99.7 درصد از متغیرهای مختص طبقه تروپوسفر، لایه جو جایی که بیشتر آب‌وهوا رخ می‌دهد، تولید کرد. DeepMind همچنین گفت که GraphCast فرود طوفان لی در نوا اسکوتیا را نه روز قبل پیش‌بینی کرد.

ECMWF گزارش داد که AIFS "بر نماذج فیزیک پیشرفته‌ی حال حاضر برای بسیاری از معیارها، از جمله مسیرهای طوفان استوایی، بهتری دارد، با بهره‌های تا 20 درصد،" در حالی‌که تقریباً 1,000 برابر کمتر انرژی به ازای هر پیش‌بینی نسبت به روش‌های سنتی استفاده می‌کند.

روش هیبرید کانادا: هوش مصنوعی هدایت‌کننده یک مدل فیزیک

وزارت محیط‌زیست و تغییرات آب‌وهوایی کانادا یک مسیر متفاوت طی کرد، یک مدل هوش مصنوعی کانادایی به‌نام شبیه‌ساز محیطی جهانی (GEML) را بر اساس کد منبع‌باز GraphCast از DeepMind ساخت و آن را بر اساس داده‌های آب‌وهوای تاریخی کانادایی آموزش داد. به جای جایگزینی مدل مبتنی بر فیزیک، آژانس این دو را از طریق تکنیکی که "تنظیم طیفی" نام‌گذاری کرده است، ترکیب می‌کند: مدل سنتی به آرامی به سمت وضعیت جو تولیدشده توسط GEML هدایت می‌شود، در حالی‌که جزئیات ریزتر مرتبط با آب‌وهوای شدید هنوز با استفاده از معادلات فیزیکی برقرار تکامل می‌یابند، بر اساس اعلام رسمی آژانس. سیستم هیبرید در 27 مه 2026 عملیاتی شد، پس از بیش از یک سال آزمایش.

وزارت محیط‌زیست و تغییرات آب‌وهوایی کانادا گفت که نماذج هوش مصنوعی می‌توانند برای الگوهای جو در مقیاس بزرگ، که در زمان‌های پیشروی بیشتر مهم است، بر مدل‌های سنتی رایانه‌ای بهتری دارند، اما شماره بهبودی مشخصی در اعلام منتشرنکرد.

جایی که هوش مصنوعی کوتاه می‌آید

هم ECMWF و هم وزارت محیط‌زیست و تغییرات آب‌وهوایی کانادا محدودیت‌ها را مشخص کرده‌اند. AIFS از ECMWF در حال حاضر فقط به‌عنوان یک پیش‌بینی قطعی واحد کار می‌کند؛ نسخه گروه‌ای که 50 تغییر پیش‌بینی ارائه می‌دهد، که معیار ارزیابی عدم‌اطمینان پیش‌بینی است، هنوز در حال توسعه است، بر اساس ECMWF. وزارت محیط‌زیست و تغییرات آب‌وهوایی کانادا گفت که مدل‌های هوش مصنوعی فعلی، به‌تنهایی، فقط تعداد محدودی از متغیرها را پیش‌بینی می‌کنند، که برای استفاده عملیاتی کافی نیست، و اینکه آن‌ها جزئیات جو ریزتر را به‌گونه‌ای صاف‌تر می‌کنند که می‌تواند برای انواع خاصی از آب‌وهوای شدید دقت را کاهش دهد - یکی از دلایلی که آژانس به جای سیستم تنها هوش مصنوعی، طراحی هیبرید را انتخاب کرد.