هوش مصنوعی می تواند دقت پیش بینی رعد و برق را افزایش دهد
او این را به اشتراک می گذارد
عضو
شما آزاد هستید که این مقاله را تحت مجوز Attribution 4.0 International به اشتراک بگذارید.
یک مطالعه جدید نشان می‌دهد که یادگیری ماشینی - الگوریتم‌های کامپیوتری که بدون برنامه‌نویسی مستقیم انسان خود را بهبود می‌بخشند - می‌توانند پیش‌بینی‌های رعد و برق را بهبود بخشند.
رعد و برق یکی از مخرب ترین نیروهای طبیعت است، همانطور که در سال 2020، هنگامی که جرقه آتش سوزی های عظیم را در مجتمع صاعقه کالیفرنیا ایجاد کرد، انجام داد، اما پیش بینی آن همچنان دشوار است.
پیش‌بینی‌های بهتر رعد و برق می‌تواند به آمادگی برای آتش‌سوزی‌های احتمالی جنگل‌ها، بهبود هشدارهای ایمنی صاعقه و ایجاد مدل‌های آب و هوایی دوربرد دقیق‌تر کمک کند.
"بهترین موضوعات برای یادگیری ماشینی چیزهایی هستند که ما به طور کامل درک نمی کنیم. و چه چیزی در زمینه علوم جوی وجود دارد که هنوز درک نشده است؟ رعد و برق، گفت: داهیون کیم، دانشیار علوم جوی در دانشگاه واشنگتن. تا آنجا که می دانیم، کار ما اولین کاری است که نشان می دهد الگوریتم های یادگیری ماشینی می توانند برای رعد و برق کار کنند.
تکنیک جدید پیش بینی های آب و هوا را با معادله یادگیری ماشینی بر اساس تجزیه و تحلیل رویدادهای رعد و برق گذشته ترکیب می کند. روش ترکیبی که در نشست پاییزی اتحادیه ژئوفیزیک آمریکا رونمایی شد، می‌تواند رعد و برق در جنوب شرقی ایالات متحده را دو روز زودتر از فناوری پیشرو پیش‌بینی کند.
وی-یی چنگ، که برای دکترای خود در علوم جوی در دانشگاه واشنگتن کار می‌کرد، گفت: «این نشان می‌دهد که پیش‌بینی سیستم‌های آب و هوایی شدید، مانند رعد و برق، با استفاده از روش‌های مبتنی بر ماشین قابل بهبود است.» او مطالعه روش‌های یادگیری ماشینی را برای انواع دیگر پیش‌بینی‌های آب و هوای شدید مانند گردباد یا تگرگ تشویق می‌کند.
محققان سیستم داده لایتنینگ را از سال 2010 تا 2016 آموزش دادند و به رایانه این امکان را داد که پیوندهای بین متغیرهای هواشناسی و رعد و برق را شناسایی کند. آنها سپس این تکنیک را برای دوره 2017 تا 2019 آزمایش کردند و تکنیک پشتیبانی شده با هوش مصنوعی را با روش مبتنی بر فیزیک موجود مقایسه کردند و از مشاهدات فلش واقعی برای ارزیابی هر دو استفاده کردند.
روش جدید رعد و برق را با همان مهارت حدود دو روز زودتر از فناوری پیشرو در مکان هایی مانند جنوب شرقی ایالات متحده که رعد و برق زیادی دریافت می کنند، پیش بینی می کند. از آنجایی که این روش در سراسر ایالات متحده آموزش دیده است، کارایی آن در مکان هایی که رعد و برق کمتر رایج است، دقت کمتری دارد.
رویکرد مورد استفاده برای مقایسه، یک تکنیک پیش‌بینی رعد و برق است که به تازگی بر اساس میزان بارندگی و سرعت صعود ابرهای طوفانی توسعه یافته است. این روش رعد و برق بیشتری را با تغییرات آب و هوایی و افزایش مداوم رعد و برق بر روی قطب شمال پیش بینی می کند.
«روش موجود به سادگی دو متغیر را ضرب می کند. کیم می‌گوید: این از ایده انسان ناشی می‌شود، ساده است. اما لزوماً بهترین راه برای استفاده از این دو متغیر برای پیش‌بینی رعد و برق نیست.
یادگیری ماشین در مشاهدات رعد و برق توسط World Wide Web Location (WWLLN)، یک سازمان مشترک مستقر در دانشگاه واشنگتن که از سال 2008 رعد و برق های جهانی را ردیابی می کند، آموزش دیده است.
کیم می‌گوید: «یادگیری ماشینی به داده‌های زیادی نیاز دارد - این یکی از پیش‌نیازهای الگوریتم یادگیری ماشینی برای انجام کارهای ارزشمند است. "پنج سال پیش، این امکان پذیر نبود زیرا ما داده های کافی را نداشتیم، حتی از WWLLN."
در حال حاضر شبکه‌های تجاری ابزارهای رعد و برق در ایالات متحده وجود دارد، و ماهواره‌های جدیدتر زمین‌ایستا می‌توانند یک منطقه را به طور مداوم از فضا رصد کنند و داده‌های صاعقه دقیقی را برای یادگیری ماشینی بیشتر فراهم کنند.
چنگ گفت: «عوامل کلیدی کمیت و کیفیت داده‌ها هستند که دقیقاً همان چیزی است که WWLLN می‌تواند ارائه دهد. «با پیشرفت تکنیک‌های یادگیری ماشین، داشتن مجموعه‌ای دقیق و قابل اعتماد از داده‌های نظارت صاعقه اهمیت فزاینده‌ای پیدا می‌کند.
محققان امیدوارند روش خود را با استفاده از منابع داده بیشتر، متغیرهای هواشناسی بیشتر و تکنیک های پیچیده تر بهبود بخشند. آنها مایلند پیش بینی را برای موقعیت های خاص مانند رعد و برق خشک یا رعد و برق بدون رعد و برق بهبود بخشند، زیرا آنها به ویژه برای آتش سوزی جنگل ها خطرناک هستند.
محققان بر این باورند که روش آنها را می توان برای پیش بینی های با دامنه طولانی تر نیز به کار برد. روندهای دوربرد تا حدودی مهم هستند زیرا رعد و برق بر شیمی هوا تأثیر می گذارد، بنابراین پیش بینی رعد و برق منجر به مدل های آب و هوایی بهتر می شود.
کیم گفت: «در علوم جوی، مانند سایر علوم، برخی از مردم هنوز در مورد استفاده از الگوریتم‌های یادگیری ماشین تردید دارند - زیرا به عنوان دانشمندان به چیزی که نمی‌فهمیم اعتقادی نداریم.» من یکی از شکاکان بودم، اما با دیدن نتایج این تحقیقات و سایر مطالعات، متقاعد شدم.»
محققان کار خود را در نشست پاییزی AGU 2021 ارائه کردند. نویسندگان دیگر از دانشگاه ملی Chonnam در کره جنوبی و دانشگاه واشنگتن هستند.
منبع: دانشگاه واشنگتن
[ad_2]