خیزش هواشناختی

این پدیده تحت‌تأثیر عواملی همچون تفاوت دما بین خشکی و دریا، میزان پوشش برف در هیمالیا، رطوبت خاک و بسیاری عوامل دوردست دیگر قرار دارد. علاوه بر این، تغییرات اقلیمی نیز این فرایند پیچیده را دشوارتر کرده است.

اداره هواشناسی هند (IMD) تمام تلاش خود را با استفاده از مدل‌های عددی پیش‌بینی هوا (NWP) که دهه‌هاست ابزار اصلی هواشناسی هستند، انجام می‌دهد. این مدل‌ها که بر روی ابررایانه‌ها اجرا می‌شوند، جهان را به شبکه‌ای سه‌بعدی تقسیم کرده و در هر خانه از شبکه، متغیرهایی همچون دما، فشار و سرعت باد را وارد می‌کنند و سپس با انجام میلیاردها محاسبه تلاش می‌کنند چگونگی تغییر وضعیت هوا در گذر زمان را شبیه‌سازی کنند. این مدل‌ها به IMD اجازه می‌دهند تا پیش‌بینی‌هایی کلی مثل‌اینکه میزان بارندگی از حد معمول بیشتر یا کمتر خواهد بود را تا حدود یک ماه قبل ارائه دهد. اما ارائه پیش‌بینی دقیق روزبه‌روز، معمولاً تا بیشتر از پنج روز آینده قابل‌اعتماد نیست.

بااین‌حال، امسال دولت هند روش تازه‌ای را امتحان کرد. حدود ۳۸ میلیون کشاورز پیش‌بینی‌هایی دریافت کردند که نه بر پایه مدل‌های NWP، بلکه با استفاده از مدل‌هایی مبتنی بر هوش مصنوعی تولید شده بودند. این مدل‌ها رویکرد متفاوتی دارند و به‌جای تلاش برای شبیه‌سازی دقیق جو زمین از طریق معادلات فیزیکی، عمدتاً با مقایسه الگوهای مشاهده‌شده در داده‌های جوی با الگوهای مشابه در سوابق تاریخی آموزش‌دیده خود، پیش‌بینی می‌کنند.

این مدل‌ها در آزمون خود عالی عمل کردند و در برخی مناطق، زمان آغاز بارش را تا ۳۰ روز پیش از وقوع پیش‌بینی کردند. همچنین توانستند توقف بارندگی در میانه فصل که در واقع به مدت ۲۰ روز رخ داد را پیش‌بینی کنند؛ پدیده‌ای که در پیش‌بینی‌های NWP ظاهر نشده بود. نزدیک به نیمی از کشاورزانی که به این پیام‌ها توجه کردند، بعداً گفتند اطلاعات دریافتی بر تصمیماتشان درباره نوع محصول و زمان کشت تأثیر گذاشته است، هرچند هنوز برای ارزیابی تأثیر نهایی آن بر درآمدشان زود است.

چنین کاری حتی پنج سال پیش نیز ممکن نبود. اما در سال ۲۰۲۲، شرکت آمریکایی Nvidia نخستین نتایج برنامه هواشناسی مبتنی بر هوش مصنوعی خود به نام FourCastNet را منتشر کرد؛ مدلی که بر اساس دهه‌ها داده آب‌و‌هوایی آموزش دیده بود. این شرکت ادعا کرد که مدلش می‌تواند طوفان‌ها و بارش‌ها را با دقت بالا و تنها با دو ثانیه زمان پردازش، تا یک هفته زودتر پیش‌بینی کند؛ یعنی هزاران برابر سریع‌تر از مدل‌های NWP. پس از آن، شرکت‌های فناوری و سازمان‌های هواشناسی رقابتی جدی را برای ساخت مدل‌های مشابه آغاز کردند. اما به‌سرعت مشخص شد که اتکای کامل به هوش مصنوعی نیز مشکلات خاص خود را دارد. ازآنجاکه این مدل‌ها به قوانین فیزیک مقید نیستند، گاهی پیش‌بینی‌هایی نگران‌کننده و غیرواقعی ارائه می‌دهند. همچنین چون فقط با داده‌های تاریخی تغذیه می‌شوند، در پیش‌بینی رویدادهای نادر یا شدید دچار ضعف و خطا هستند (مشابه مشکلی که خودروهای خودران نیز با آن روبه‌رو هستند).

بنابراین، تمرکز به‌سوی ترکیب بهترین ویژگی‌های روش قدیمی و جدید تغییر یافت. یکی از دو مدلی که برای پیش‌بینی بارش‌های موسمی امسال به کار رفت، توسط مرکز اروپایی پیش‌بینی‌های میان‌مدت آب‌وهوا (ECMWF) توسعه یافته بود؛ مؤسسه‌ای که به طور گسترده به‌عنوان بهترین نهاد جهان در این زمینه شناخته می‌شود. این مدل در کنار نرم‌افزار NWP سنتی آن مرکز استفاده شد. مدل دیگر، نسخه‌ای از NeuralGCM شرکت گوگل بود که همچنان برای نمایش فرایندهای کلان جوی محاسبات عددی انجام می‌دهد، اما از هوش مصنوعی برای پر کردن جزئیات استفاده می‌کند.

«پدرام حسن‌زاده»، پژوهشگر دانشگاه شیکاگو در زمینه هوش مصنوعی و پدیده‌های جوی، معتقد است مدل‌های هوش مصنوعی می‌توانند به «دموکراتیزه‌کردن پیش‌بینی هوا» منجر شوند. مدل‌های عددی برای اجرا به ابررایانه‌ها و شبکه‌ای گسترده از ایستگاه‌های هواشناسی نیاز دارند تا داده‌های لازم را فراهم کنند، اما کشورهای فقیر معمولاً هیچ یک از این دو را در اختیار ندارند.

پویش پیش‌بینی‌های هواشناسی انسان‌محور (HCF) که حسن‌زاده از رهبران آن است، دولت‌ها را تشویق می‌کند تا از هوش مصنوعی برای غلبه بر این محدودیت‌ها استفاده کنند. پروژه بارش‌های موسمی هند که با هماهنگی HCF انجام شد، از مدل‌هایی بهره گرفت که پس از آموزش، می‌توانستند بر روی یک لپ‌تاپ قدرتمند اجرا شوند. همچنین این مدل‌ها را می‌توان فاین تیون کرد تا تنها بر بهترین داده‌های موجود تمرکز کنند. در مورد هند، این داده‌ها شامل مجموعه‌ای طولانی از اندازه‌گیری‌های ایستگاه‌های باران‌سنجی بود.

HCF بودجه‌ای از بنیاد Gates  (یکی از بزرگ‌ترین مؤسسات خیریه جهان) و کشور امارات برای انجام پروژه‌های مشابه در شرق و غرب آفریقا دریافت کرده است. مانند هند، این مناطق نیز دارای فصل‌های بارندگی مشخص هستند. این سازمان در حال آموزش کارشناسان هواشناسی و کشاورزی در کشورهای بنگلادش، شیلی، اتیوپی، کنیا و نیجریه است تا مدل‌های هوش مصنوعی هواشناسی را بر اساس نیازهای بومی خود به کار گیرند.

سایر گلوگاه‌ها نیز در حال برطرف‌شدن هستند. همانند مدل‌های عددی، مدل‌های هوش مصنوعی نیز به فرایند «همسان‌سازی داده» (data assimilation) یعنی تبدیل داده‌های خام ماهواره‌ای و ایستگاه‌های زمینی به تصویری منسجم از وضعیت جوی متکی هستند. این کار همچنان عمدتاً در میان نهادهای کشورهای ثروتمند متمرکز است که منابع لازم برای انجام آن را دارند. به همین دلیل، زمانی که ECMWF در ماه اکتبر سال جاری میلادی اعلام کرد جدیدترین پیش‌بینی‌های خود و داده‌های همسان‌سازی‌شده خود را به‌صورت رایگان در دسترس عموم قرار می‌دهد (درحالی‌که بایگانی تاریخی خود را پیش‌تر به‌صورت عمومی منتشر کرده بود)، شور و هیجان زیادی در میان متخصصان این حوزه شکل گرفت. بخشی از این داده‌ها در اختیار شرکت‌های خصوصی قرار می‌گیرد که از مدل‌های هوش مصنوعی برای پیش‌بینی اختلال در زنجیره تأمین یا تصمیم‌گیری‌های تجاری استفاده می‌کنند، اما درعین‌حال به بسیاری از کشورهایی که تاکنون در دسترسی به پیش‌بینی‌های دقیق مشکل داشتند نیز کمک خواهد کرد.

گزارش حاضر در نسخه25October 2025  نشریه The Economist USA منتشر شده است.