Η πρόβλεψη καταιγίδας γίνεται 10 φορές πιο γρήγορη χάρη στην τεχνητή νοημοσύνη
Οι μετεωρολόγοι ελπίζουν ότι οι νέοι αλγόριθμοι θα οδηγήσουν σε έγκαιρες προειδοποιήσεις για το πότε επίκεινται επικίνδυνες καιρικές συνθήκες. Φωτογραφία από Maxime Raynal, Flickr.
Με την Τεχνητή Νοημοσύνη, οι μετεωρολόγοι ελπίζουν να είναι σε θέση να προβλέπουν πιο εύκολα την εξέλιξη ακραίων καιρικών φαινομένων, όπως οι καταιγίδες.
Οι αλγόριθμοι τεχνητής νοημοσύνης (ΤΝ) μπορούν να παράγουν προβλέψεις καιρού πιο γρήγορα από τους παραδοσιακούς αλγόριθμους με ένα κλάσμα του υπολογιστικού κόστους. Ωστόσο, επειδή η εκπαίδευση της ΤΝ απαιτεί τόσο μεγάλες ποσότητες δεδομένων, μέχρι στιγμής έχει σημειώσει τη μεγαλύτερη επιτυχία στην παραγωγή προβλέψεων σε παγκόσμια κλίμακα. Μέχρι πρόσφατα, οι ερευνητές δεν διέθεταν τα δεδομένα που χρειάζονταν για την εκπαίδευση αλγορίθμων ώστε να προβλέπουν καιρικά μοτίβα μικρής κλίμακας, όπως οι καταιγίδες.
Οι Flora και Potvin επέκτειναν την πρόγνωση καιρού που βασίζεται στην τεχνητή νοημοσύνη σε συμβάντα κλίμακας καταιγίδων, εκπαιδεύοντας το νευρωνικό δίκτυο GraphCast της Google σε δεδομένα από το σύστημα Warn-on-Forecast της NOAA. Το ερευνητικό έργο Warn-on-Forecast παράγει προβλέψεις υψηλής ανάλυσης για περιοχές που είναι πιθανό να αντιμετωπίσουν ακραία καιρικά φαινόμενα με στόχο την έκδοση έγκαιρων προειδοποιήσεων για ανεμοστρόβιλους , σφοδρές καταιγίδες και ξαφνικές πλημμύρες .
Το μοντέλο τεχνητής νοημοσύνης, με την ονομασία WoFSCast, έμαθε τη δυναμική βασικών χαρακτηριστικών των καταιγίδων, συμπεριλαμβανομένων των ανοδικών ρευμάτων, τα οποία τροφοδοτούν τις καταιγίδες με θερμοδυναμική ενέργεια, και των θυλάκων κρύου αέρα που σχηματίζονται κάτω από τις καταιγίδες, οι οποίοι επηρεάζουν τον τρόπο με τον οποίο κινούνται και εξελίσσονται οι καταιγίδες.
Το μοντέλο απέδωσε σε μεγάλο βαθμό ακριβείς προβλέψεις για το πώς θα εξελιχθούν οι καταιγίδες για έως και 2 ώρες. Αυτές οι προβλέψεις ταίριαζαν στο 70% έως 80% εκείνων που δημιουργήθηκαν από το σύστημα Warn-on-Forecast. Η διαδικασία δημιουργίας μιας πρόβλεψης χρειάστηκε μόνο 30-40 δευτερόλεπτα χρησιμοποιώντας μία γραφική μονάδα επεξεργασίας. Αυτό είναι τουλάχιστον 10 φορές πιο γρήγορο από τη χρήση του τρέχοντος συστήματος Warn-on-Forecast για τη δημιουργία προβλέψεων χωρίς τεχνητή νοημοσύνη.
Με πρόσθετα δεδομένα εκπαίδευσης, οι ερευνητές υποδεικνύουν ότι το WoFSCast θα μπορούσε να γίνει ακόμη πιο ευέλικτο, προβλέποντας τους επιφανειακούς ανέμους και τις βροχοπτώσεις εντός των τροπικών κυκλώνων που προσγειώνονται στην ξηρά, καθώς και τον τρόπο εξάπλωσης των πυρκαγιών, για παράδειγμα. Χρησιμοποιώντας ένα σύστημα ενισχυμένο με τεχνητή νοημοσύνη, η Εθνική Μετεωρολογική Υπηρεσία μπορεί να είναι σε θέση να εκδίδει προειδοποιήσεις για σοβαρά καιρικά φαινόμενα πιο γρήγορα και να μειώσει τη ζημιά που προκαλείται από αυτά τα ακραία φαινόμενα. ( Geophysical Research Letters , https://doi.org/10.1029/2024GL112383 , 2025).
Γεωδίφης με πληροφορίες από eos.org
περισσότερα,