پدیدهی وحشتناک ال نینو (El Nino) هر ۲ الی ۷ سال یکبار بشر را مورد حمله قرار میدهد. هنگامی که آبهای گرم در بخش استوایی اقیانوس آرام به سمت شرق حرکت میکنند و بادهای ضعیفی را به وجود میآوردند، الگوهای آب و هوایی دچار نوسان میشوند و باعث خشکسالی در جنوب آفریقا، آتشسوزی در آمریکای جنوبی و سیل در سواحل غربی آمریکای شمالی میشوند. اقلیم شناسان بیش از ۱ سال است که درگیر پیشبینی پدیدهی النینو هستند، اما براساس مطالعهای که اخیراً منتشر شده، هوش مصنوعی (AI) قادر به پیشبینی این پدیده تا ۱۸ ماه پیش از وقوع است.
ویلیام هسیه (William Hsieh) که یک اقلیم شناس بازنشته اهل ویکتوریای کانادا است، و سابقاً بر روی پروژهی پیشبینی النینو کار کرده است می گوید: “این کار میتواند در آمادهسازی مردم برای مقابله با خشکسالی و سیل کمک کند؛ مثلاً با انتخاب محصول مناسب برای کاشت! پیشبینیهای طولانی مدت میتوانند مزایای اقتصادی فراوانی داشته باشند”.
بخشی از مشکل پیشبینیهای پدیدهی ال نینو این است که این پیشبینیها برای عواملی مانند دمای اقیانوس، بر مجموعهی نسبتاً کوچکی از آمارهای تاریخی متکی هستند. دیگر پیشبینیها از مدل های اقلیمی استفاده میکنند، اما تلاش آنها برای ایجاد تصاویر باکیفیتی از اقیانوس جهت پیشبینی بلند مدت است.
در مطالعهی حاضر، از نوعی هوش مصنوعی تحت عنوان شبکهی عصبی حلقوی استفاده میشود که در تشخیص تصاویر بسیار قدرتمند است. به عنوان مثال، شبکهی عصبی میتواند از طریق تعیین خصوصیات مشترک میان گربهها مانند نوع موهای صورت و یا داشتن ۴ دست و پا برای تشخیص گربهها در تصاویر تعلیم یابد. در این مورد، پژوهشگران شبکهی عصبی را بر روی تصاویر جهانی از دمای سطح دریاها و دمای عمق اقیانوسها در گذر زمان آموزش دادهاند تا بتوانند این تصاویر را با ظهور پدیده ال نینو در آینده مطابقت دهند.
این چنین شبکه های عصبی، نیازمند تصاویر بسیار زیادی جهت تعلیم هوش مصنوعی قبل از تعیین الگوهای اصلی هستند. یوگن هام (Yoo-Guen Ham) نویسندهی اصلی این پژوهش که اقلیم شناس دانشگاه ملی چونام در گوانگژو – کرهی جنوبی است میگوید: دانشمندان برای رفع کمبود دادههای تاریخی النینو، بایستی دادههای وضعیت اقیانوسها در گذشته را مجدداً تولید کنند، که خود این دادهها توسط مجموعهای از مدلهای اقلیمی قابل اطمینان که بارها برای مطالعه تغییرات اقلیمی استفاده شدهاند، ایجاد میشوند در نتیجه، پژوهشگران میتوانند سیستم کامپیوتری را نه فقط برای دادههای تاریخی حقیقی در فاصلهی سالهای ۱۸۷۱ تا ۱۹۷۳ میلادی، بلکه چندین هزار شبیهسازی از دادههای مشابه توسط مدلهای اقلیمی نشان دهند.
طبق گزارش این تیم تحقیقاتی، هنگامی که دادههای پژوهش با دادههای حقیقی بین سال های ۱۹۸۴ تا ۲۰۱۷ مقایسه میشوند، نرم افزار قادر به پیش بینی طوفان ال نینو تا ۱۸ ماه پیش از وقوع است. به گفتهی یوگن هام این نرم افزار از حالت ایدهآل خیلی فاصله داشت؛ دقت پیشبینی رخدادهای النینو در آیندهی ۱٫۵ ساله در حدود ۷۴% بوده است. اما همچنان این مقدار بهتر از بهترین مدل کنونی است، که دقت آن در همین بازهی زمانی فقط ۵۴% بوده است.
همچنین هوش مصنوعی دقت بالاتری را در اینکه کدام بخش از اقیانوس گرمتر است نشان داد. این مورد در دنیای واقعی بسیار تأثیرگذار است، زیرا پدیدهی النینو که در شرق اقیانوس آرام – نزدیک به آمریکای جنوبی – متمرکز است، موجب گرم شدن آبهای شمال اقیانوس آرام و در نتیجه بارندگی و وقوع سیل بیشتر در آمریکا در مقایسه با النینوی متمرکز در مکانهای با فاصلهی بیشتر نسبت به غرب میشود.
ویلیام هسیه می گوید، استفاده از مدلهای اقلیمی برای ایجاد دادههای تعلیم دهندهی اضافی، راهکاری هوشمندانه برای رفع نقاط ضعف دیگر روشها است. وی ادامه میدهد: بایستی از این روش برای توسعهی پیشبینی واقعی استفاده کرد.
استفان زبیاک (Stephen Zebiak) اقلیمشناس و کارشناس مدلسازی النینو در موسسهی تحقیقات بینالمللی اقلیمشناسی و جامعه، دانشگاه کلمبیا- نیویورک میگوید” مشخص نیست که پیشبینی در بازهی زمانی بیش از ۱ سال پیش از رخداد تا چه حد میتواند در واقعیت مفید باشد! زمان میتواند کمتر از ۱ سال باشد، زیرا بعید به نظر میرسد که تصمیمگیرندگان پیش تر از موعد اقدامی انجام دهند.
پیش بینی لانینا
این تیم تحقیقاتی هماکنون نیز یک النینو پیشبینی کرده است که به گفتهی آنها در سال ۲۰۲۱ رخ خواهد داد؛ همچنین یک لانینا (La Nina) (از نظر دمایی دقیقاً برعکس النینو) را نیز پیشبینی کردهاند که میتواند خشکسالی شدیدتری را به وجود آورد. همهی اینها در حالی است که سازمانهای دولتی پیشبینیهای این گروه را چندان جدی در نظر نمیگیرند. یوگن هام میگوید که او و همکارانش در حال کار کردن بر روی مدلسازیها جهت بهبود پیشبینیهای انجام شده هستند. همچنین تیم تحقیقاتی وی در حال کار کردن بر روی مدلسازی اقیانوس هند نیز هستند و معتقدند که نوسانات دمای اقیانوس میتواند باران و چرخهی گرمسیری در آسیا و استرالیا را تحت تأثیر قرار دهد.
منبع: sciencemag