ایجاد مدل های آب و هوایی مرتبط برای تصمیم گیرندگان محلی

مدل‌های آب و هوایی یک فناوری کلیدی در پیش‌بینی اثرات تغییرات آب و هوایی هستند. با اجرای شبیه‌سازی‌های آب و هوای زمین، دانشمندان و سیاست‌گذاران می‌توانند شرایطی مانند افزایش سطح دریا، سیل، و افزایش دما را تخمین بزنند و درباره روش واکنش مناسب تصمیم بگیرند. اما مدل‌های فعلی آب و هوا برای ارائه سریع یا مقرون به صرفه این اطلاعات به اندازه کافی برای مفید بودن تلاش می‌کنند روی مقیاس های کوچکتر، مانند اندازه یک شهر.

در حال حاضر، نویسندگان مقاله جدید دسترسی آزاد منتشر شده در مجله پیشرفت ها در مدل سازی سیستم های زمین روشی را برای استفاده از یادگیری ماشینی برای استفاده از مزایای مدل‌های آب و هوایی کنونی و در عین حال کاهش هزینه‌های محاسباتی مورد نیاز برای اجرای آنها پیدا کرده‌اند.

«این حکمت سنتی را تغییر می‌دهد روی سای راولا، دانشمند پژوهشی اصلی در بخش زمین، جو و علوم سیاره‌ای MIT (EAPS) که این مقاله را با آنامیترا ساها، پسادکتر EAPS نوشت، می‌گوید.

حکمت سنتی

در مدل‌سازی آب و هوا، مقیاس‌پذیری کوچک است process استفاده از یک مدل آب و هوای جهانی با وضوح درشت برای ایجاد جزئیات دقیق تر در مناطق کوچکتر. تصویر دیجیتالی را تصور کنید: مدل جهانی تصویر بزرگی از جهان با تعداد پیکسل کم است. برای کاهش مقیاس، بزرگنمایی می کنید روی فقط بخشی از عکس که می خواهید به آن نگاه کنید – برای مثال، بوستون. اما از آنجایی که تصویر اصلی وضوح پایینی داشت، نسخه جدید تار است. جزئیات کافی برای مفید بودن را ارائه نمی دهد.

ساها توضیح می دهد: «اگر از وضوح درشت به وضوح خوب بروید، باید به نحوی اطلاعاتی را اضافه کنید. کاهش مقیاس تلاش می‌کند با پر کردن پیکسل‌های از دست رفته، آن اطلاعات را دوباره به آن اضافه کند. این افزودن اطلاعات می‌تواند به دو صورت اتفاق بیفتد: یا می‌تواند از تئوری باشد، یا می‌تواند از داده‌ها به دست آید.»

کاهش مقیاس معمولی اغلب شامل استفاده از مدل های ساخته شده است روی فیزیک (مانند process افزایش هوا، خنک شدن و متراکم شدن، یا چشم انداز منطقه)، و تکمیل آن با داده های آماری برگرفته از مشاهدات تاریخی. اما این روش از نظر محاسباتی مالیات دارد: اجرای آن به زمان و قدرت محاسباتی زیادی نیاز دارد، در حالی که گران است.

یه ذره از هر دو

ساها و راولا در مقاله جدید خود راهی برای اضافه کردن داده ها به روش دیگری پیدا کرده اند. آنها از تکنیکی در یادگیری ماشینی به نام یادگیری متخاصم استفاده کرده اند. از دو ماشین استفاده می کند: یکی داده ها را برای رفتن به عکس ما تولید می کند. اما ماشین دیگر نمونه را با مقایسه آن با داده های واقعی قضاوت می کند. اگر فکر می کند تصویر جعلی است، ماشین اول باید دوباره تلاش کند تا ماشین دوم را متقاعد کند. هدف نهایی از process ایجاد داده های با وضوح فوق العاده است.

استفاده از تکنیک های یادگیری ماشینی مانند یادگیری خصمانه ایده جدیدی در مدل سازی آب و هوا نیست. جایی که در حال حاضر با مشکل مواجه است، ناتوانی اش در رسیدگی به مقادیر زیادی از فیزیک پایه، مانند قوانین حفاظت است. محققان دریافتند که ساده کردن علم فیزیک و تکمیل آن با آمار از داده های تاریخی برای ایجاد نتایج مورد نیاز کافی است.

راولا می‌گوید: «اگر یادگیری ماشین را با اطلاعاتی از آمار و فیزیک ساده‌سازی کنید، هر دو را تقویت کنید، ناگهان جادویی می‌شود. او و ساها با حذف معادلات پیچیده فیزیک و تمرکز با تخمین مقادیر شدید باران شروع کردند. روی بخار آب و توپوگرافی زمین آنها سپس الگوهای بارندگی کلی را برای کوهستانی دنور و شیکاگوی مسطح به طور یکسان ایجاد کردند و از گزارش های تاریخی برای تصحیح خروجی استفاده کردند. “این به ما افراطی می دهد، مانند فیزیک، با هزینه بسیار کمتر. و سرعت های مشابه آمار را به ما می دهد، اما با وضوح بسیار بالاتر.”

یکی دیگر از مزایای غیرمنتظره نتایج، میزان کمی داده های آموزشی مورد نیاز بود. این واقعیت که فقط کمی فیزیک و کمی آمار برای بهبود عملکرد ML کافی بود. [machine learning] ساها می‌گوید: مدل… در واقع از ابتدا مشخص نبود. تمرین فقط چند ساعت طول می‌کشد، و می‌تواند در چند دقیقه نتیجه دهد، که نسبت به ماه‌هایی که سایر مدل‌ها برای اجرا نیاز دارند، بهبود یافته است.

کمی کردن ریسک به سرعت

توانایی اجرای سریع و اغلب مدل ها یک نیاز کلیدی برای ذینفعان مانند شرکت های بیمه و سیاست گذاران محلی است. راولا بنگلادش را مثال می‌زند: با دیدن اینکه چگونه رویدادهای شدید آب و هوایی بر کشور تأثیر می‌گذارد، می‌توان با در نظر گرفتن طیف وسیعی از شرایط و عدم قطعیت‌ها در اسرع وقت تصمیم‌گیری در مورد اینکه چه محصولاتی باید کشت شود یا جمعیت به کجا مهاجرت کنند، اتخاذ کرد.

او می‌گوید: «ما نمی‌توانیم ماه‌ها یا سال‌ها منتظر بمانیم تا بتوانیم این خطر را اندازه‌گیری کنیم. “شما باید به آینده و تعداد زیادی از عدم قطعیت ها نگاه کنید تا بتوانید بگویید چه تصمیمی می تواند خوب باشد.”

در حالی که مدل فعلی فقط به بارش های شدید نگاه می کند، آموزش آن برای بررسی سایر رویدادهای حیاتی، مانند طوفان های استوایی، بادها و دما، مرحله بعدی پروژه است. با یک مدل قوی تر، Ravela امیدوار است که آن را در مکان های دیگری مانند بوستون و پورتوریکو به عنوان بخشی از پروژه چالش های بزرگ آب و هوا اعمال کند.

او می‌گوید: «ما بسیار هیجان‌زده‌ایم، هم از روشی که کنار هم قرار می‌دهیم، و هم از کاربردهای بالقوه‌ای که می‌تواند منجر به آن شود».