«پیش‌بینی ۵ روزه»؛ دستاورد جدید WeatherNext در رصد توفندها

تصور کنید یک مدیر بحران در منطقه ساحلی باشید و ناگهان بفهمید طوفانی که همه «ضعیف» می‌پنداشند، تا ۵ روز دیگر به یک هیولای درجه ۵ تبدیل می‌شود. این پیش‌بینی دقیق، مرز بین تخلیه سازمان‌یافته شهر و یک فاجعه انسانی با تلفات گسترده است.

در اکتبر ۲۰۲۵، طوفان ملیسا در حالی به جامائیکا ضربه زد که مدل‌های هواشناسی سنتی را کاملاً به چالش کشیده بود. در روزهای منتهی به طوفان، مدل‌های پیش‌بینی درباره مسیر حرکت این سامانه دچار اختلاف نظر شدید بودند؛ برخی مدل‌ها پیشنهاد می‌کردند که سیستم ضعیف باقی می‌ماند و در نهایت در Haiti (اتئی) متوقف می‌شود، در حالی که برخی دیگر پیش‌بینی می‌کردند که طوفان شدت می‌یابد. اما در این میان، مدل WeatherNext — محصول مشترک گوگل دیپ‌مایند (Google DeepMind) و گوگل ریسرچ (Google Research) — پنج روز پیش از برخورد، با اطمینان ۸۰ درصد پیش‌بینی کرد که این طوفان به عنوان یک هریکان درجه ۵ به جامائیکا ضربه خواهد زد.

این پیشرفت در حالی رخ می‌دهد که هواشناسی سنتی با ماهیت پیش‌بینی‌ناپذیر پدیده «شدت‌یافتگی سریع» (Rapid Intensification) دست‌وپنجه نرم می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی چرخش راهبردی گوگل در آزمایشگاه دیپ‌مایند — از جمله خروج چهره‌هایی مانند هاسابیس و دین — به سمت کاربردهای علمی سطح‌بالا اشاره کردیم، این مجموعه اکنون تمرکز خود را بر حل مسائل حیاتی زمین گذاشته است. برای یک مدیر شهری یا پاسخ‌دهنده اضطراری، داشتن ۲۴ ساعت هشدار اضافی، تفاوت بین یک تخلیه کنترل‌شده و یک رویداد با تلفات جانی گسترده است. مایک برنان، مدیر مرکز ملی طوفان‌های آمریکا، اشاره می‌کند که سازماندهی تخلیه‌ها و استقرار تجهیزات امداد، وظایفی هستند که به شدت به زمان وابسته‌اند و هر تصمیم اشتباه می‌تواند عواقب بزرگی داشته باشد. برنان می‌گوید: «زمان واقعاً طلا است».

به نقل از مقاله منتشر شده در روز پنجشنبه در مجله Nature (نیچر)، محققان با جزئیات توضیح دادند که چگونه WeatherNext از سیستم‌های موجود پیشی می‌گیرد. طبق گزارش نیچر، این مدل به‌طور میانگین یک روز زمان هشدار بیشتر (Lead Time) فراهم می‌کند؛ به گونه‌ای که پیش‌بینی‌های سه‌روزه این مدل، به اندازه پیش‌بینی‌های دوروزه مدل‌های قدیمی دقیق است. محققان می‌گویند از نظر تاریخی، پیش‌برد دقت پیش‌بینی‌ها به اندازه یک روز کامل، نیازمند یک دهه تلاش و تحقیق بود.

زمینه: چالش پیش‌بینی رویدادهای نادر

مدل‌سازی رخدادهای شدید برای هوش مصنوعی به‌طورnotorious (معروفی) دشوار است، زیرا یادگیری ماشین نیازمند حجم عظیمی از داده‌های آموزشی است، اما رویدادهای شدید به‌طبع نادر هستند. در این راستا، تلاش‌های متعددی برای بهبود تحلیل ریسک در مقیاس‌های محلی صورت گرفته است، مانند راهکار GOSafe برای تحلیل ریسک بلایای طبیعی که بر استفاده از سازه‌های محدود AI متمرکز است. برای حل این مشکل، فران آلت (Ferran Alet)، نویسنده اصلی و دانشمند گوگل دیپ‌مایند، توضیح می‌دهد که تیم آن‌ها مدلی را آموزش دادند تا هم در الگوهای کلی آب‌وهوا و هم در رفتارهای خاص توفندها مهارت یابد. آن‌ها از فراوانی داده‌های کلی آب‌وهوا استفاده کردند تا کمبود داده‌های مربوط به توفندها را جبران کنند.

جزئیات فنی و سازوکار

پیش‌بینی هریکان‌ها نیازمند ایجاد تعادل میان دو مقیاس داده‌ای متضاد است؛ وظیفه‌ای که پیش از این مدل‌های هوش مصنوعی را ناکام می‌گذاشت. طبق گفته‌ی کیت ماسگریو (Kate Musgrave)، رئیس گروه توفندهای گرمسیری در مؤسسه مشترک برای جو و یکی از نویسندگان مقاله، مدل WeatherNext این نیازهای متمایز را به شرح زیر مدیریت می‌کند:

• مقیاس جهانی: این مدل با تحلیل اطلاعات کلان، مانند موقعیت جبهه‌های سرد و بادهای غالب، مسیر حرکت (Track) طوفان را ردیابی می‌کند.
• مقیاس محلی: مدل با تمرکز بر شرایط محلی اتمسفری و اقیانوسی، شدت طوفان را پیش‌بینی می‌کند؛ حوزه‌ای که مدل‌های AI قبلی در آن شکست‌های شدیدی داشتند.
• شدت‌یافتگی سریع: این مدل در پیش‌بینی طوفان‌هایی که یک‌شبه قدرتمند می‌شوند تخصص دارد. در مورد طوفان ملیسا، این نخستین بار بود که مرکز ملی طوفان‌ها، یک هریکان درجه ۵ را در حالی که طوفان هنوز در درجه ۱ بود، پیش‌بینی کرد.
• تولید سناریو: برای ثبت «اثر پروانکی» — جایی که انحرافات کوچک منجر به تغییرات عظیم می‌شوند — مدل WeatherNext طیفی از سناریوهای احتمالی را تولید می‌کند. در حالی که مدل‌های عددی قدرت پردازشی لازم برای این کار ندارند، WeatherNext اکنون ۱۰۰۰ سناریوی احتمالی برای هر طوفان تولید می‌کند، در حالی که این تعداد در سال گذشته تنها ۵۰ سناریو بود.

فران آلت خاطرنشان کرد که مدل این نتایج را با استفاده از داده‌های اتمسفری نسبتاً خشن و با رزولوشن پایین (Lower-resolution) به دست آورده است. این یافته جامعه علمی را شوکه کرد، زیرا نشان می‌دهد ورودی‌های با رزولوشن پایین، سیگنال‌های بیشتری درباره رفتار طوفان دارند تا آنچه پیش‌تر تصور می‌شد. ماسگریو به یاد می‌آورد که نتایج تست‌های گذشته‌نگر (Retrospective) چنان قوی بود که محققان ابتدا تردید داشتند آیا این نتایج در نمایش‌های بلادرنگ (Real-time) نیز تکرار می‌شوند یا خیر، اما عملکرد مدل ثابت ماند.

مایک برنان تأکید می‌کند که هرچند این ابزار بسیار ارزشمند است، اما جایگزین انسان نمی‌شود. او هشدار می‌دهد که هیچ تضمینی وجود ندارد rằng مدلی که برای یک طوفان خوب عمل کرده، برای فصل بعدی نیز بهترین باشد. هوش مصنوعی داده‌ها را فراهم می‌کند، اما متخصصان باید آن مسیرهای حرکتی را به اثرات محلی خاص ترجمه کنند تا جان مردم نجات یابد، زیرا به قول او «این اثرات (بر روی زمین) هستند که باعث مرگ انسان‌ها می‌شوند».

این تغییر رویکرد، نشان‌دهنده حرکتی به سمت «فیزیک جعبه سیاه» است. آلت اعتراف می‌کند که محققان هنوز به‌طور کامل نمی‌دانند مدل چگونه از داده‌های کم‌کیفیت، چنین دقتی استخراج می‌کند، اما این موضوع سیگنالی برای فیزیکدانان است که اتفاقی در حال رخ دادن است که پیش‌تر درک نشده بود. گوگل با متن‌باز (Open-source) کردن مدل‌های مورد استفاده در فصل طوفان، جامعه جهانی تحقیقات را دعوت کرده است تا بینش‌های تازه‌ای درباره نحوه عملکرد توفندها کشف کنند و در واقع «به قوانین جهان نفوذ کنند».

هنوز مشخص نیست که آیا این مدل در فصل آینده نیز استاندارد طلایی باقی خواهد ماند یا خیر، اما این فناوری به‌طور بنیادی بازه زمانی هشدارهای آب‌وهوای شدید را کوتاه کرده است. گام بعدی برای جامعه علمی این است که دقیقاً تعیین کنند چرا داده‌های با رزولوشن پایین برای پیش‌بینی‌های با شدت بالا کافی هستند.

گام بعدی شما

• اگر در حوزه تحلیل داده‌های محیطی فعالیت می‌کنید، مستندات مدل‌های متن‌باز WeatherNext را برای درک نحوه مدیریت داده‌های نامتوازن بررسی کنید.
• دنبال کنید که آیا این مدل پیش‌بینی‌ها را برای سایر پدیده‌های نادر (مثل سیل‌های ناگهانی) تعمیم می‌دهد یا خیر.
• ابزارهای تجسم‌سازی سناریوهای احتمالی (Probabilistic Forecasting) را در گردش‌کارهای خود جایگزین پیش‌بینی‌های تک‌نقطه‌ای کنید.

اما داستان سخت‌افزاری پشت این محاسبات حتی پیچیده‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی TPUها در پردازش داده‌های اقلیمی مراجعه کنید.