دانشمندان محیطزیست در سالهای اخیر به طور فزایندهای از مدلهای بسیار پیچیده و بزرگ هوش مصنوعی برای پیشبینی تغییرات آب و هوایی استفاده کردهاند. اما مطالعهای جدید از پژوهشگران MIT نشان میدهد که در برخی موارد، مدلهای سادهتر و مبتنی بر فیزیک میتوانند از مدلهای پیشرفته یادگیری عمیق عملکرد بهتری داشته باشند.
در بررسی انجامشده، مشخص شد که در سناریوهای خاص آب و هوایی، استفاده از مدلهای سادهتر نه تنها کافی است، بلکه حتی دقت پیشبینی بالاتری نیز دارد. بهویژه، مدلهای ساده در پیشبینی دمای سطحی در مناطق مختلف عملکرد بهتری داشتهاند، در حالی که مدلهای یادگیری عمیق برای پیشبینی بارش محلی گزینه مناسبی هستند.
یکی دیگر از یافتههای مهم این تحقیق آن است که روشهای متداول برای ارزیابی مدلهای هوش مصنوعی در زمینه پیشبینی آبوهوا ممکن است به دلیل نوسانات طبیعی دادهها، مانند تغییرات الگوهای جوی، گمراهکننده باشند. این موضوع میتواند باعث شود که عملکرد مدلهای یادگیری عمیق بهتر از واقعیت نشان داده شود.
پژوهشگران با توسعه یک روش ارزیابی جدید و مقاومتر، توانستند تصویر دقیقتری از قابلیت مدلها ارائه دهند. با استفاده از این نتایج، آنها ابزار شبیهساز اقلیمی موسوم به climate emulator را بهبود دادند. این ابزار میتواند سریعاً تأثیر فعالیتهای انسانی بر آینده اقلیمی را شبیهسازی کند.
دکتر Noelle Selin، نویسنده ارشد مقاله و استاد مؤسسه داده، سیستمها و جامعه و همچنین دانشکده علوم زمین، جو و سیارات MIT، در این باره میگوید: «این تحقیق نوعی هشدار است به کسانی که بدون بررسی عمیق، تمایل دارند از مدلهای بزرگ و پیچیده هوش مصنوعی در علوم اقلیمی استفاده کنند. علم اقلیم مبتنی بر قوانین فیزیکی اثباتشدهای است، و تلفیق این قوانین با قدرت هوش مصنوعی چالش اصلی ماست.»
در این مطالعه، پژوهشگران روش متداول لینیر پترن اسکیلینگ (LPS) را با یک مدل یادگیری عمیق و بر مبنای یک مجموعه داده استاندارد مقایسه کردند. نتیجه آن بود که روش LPS تقریباً در همه پارامترها از جمله دما و بارش، عملکرد دقیقتری نسبت به مدل یادگیری عمیق داشت.
با این حال، در ادامه مشخص شد که نوسانات طبیعی در دادهها — مانند تغییرات پدیدههایی مشابه النینیو/لانینا — میتوانند باعث شوند مدلهای یادگیری عمیق در پیشبینی نوسانات بلندمدت عملکرد ضعیفتری داشته باشند. این موضوع در برخی موارد به نفع LPS امتیاز داده بود.
پس از این نتایج، تیم تحقیقاتی یک سیستم ارزیابی جدید با لحاظکردن این نوسانات طراحی کردند. یافتههای جدید نشان داد که در مورد بارش محلی، مدل یادگیری عمیق کمی بهتر از LPS عمل میکند، اما برای پیشبینی دمای سطحی، LPS همچنان دقیقتر باقی ماند.
پژوهشگران بر این باورند که انتخاب ابزار درست برای هر مسئله اقلیمی، نیازمند تعریف درست مسئله از ابتداست. همچنین تأکید کردند که هرچند LPS نتایج خوبی دارد، اما محدودیتهایی دارد، مثلا نمیتواند رویدادهای شدید جوی یا تغییرات غیرمنتظره را پیشبینی کند.
بر همین اساس، آنها به ضرورت توسعه روشهای ارزیابی پیشرفتهتر برای مدلهای شبیهساز اقلیمی اشاره دارند. چنین ابزارهایی میتوانند به شناسایی دقیقتر بهترین مدل برای مسائل خاص کمک کنند. در آینده، این روشها میتوانند در تحلیلهایی همچون پیشبینی خطر آتشسوزی، خشکسالی یا سرعت بادهای منطقهای به کار گرفته شوند.
این پژوهش با حمایت مالی Schmidt Sciences و در قالب پروژه Bringing Computation to the Climate Challenge در چارچوب Grand Challenges اقلیمی MIT انجام شده است.