خوشبختانه ، مدل های جدید به ما کمک می کنند که پیش بینی کنیم طوفان ها در کجا ، کجا و با چه شدت ممکن است رخ می دهند. اما تشدید سریع می تواند از پیش بینی حتی بهترین مدل ها جلوگیری کند.

در حال حاضر محققان آزمایشگاه ملی شمال غربی وزارت انرژی اقیانوس آرام با استفاده از تکنیک های هوش مصنوعی ، مدلی را ایجاد کردند که به طور متوسط می تواند شدت طوفان را نسبت به مدل های مورد استفاده در سطح ملی دقیق تر پیش بینی کند. این مدل می تواند روی یک لپ تاپ تجاری اجرا شود.

برخی از مدل های طوفان روابط آماری بین رفتار و مکان طوفان را دنبال می کنند. برخی دیگر حرکات پیچیده ای را که در جو زمین بازی می کنند محاسبه می کنند. وقتی این مدلها با هم ترکیب شوند ، به فرماندهان حادثه کمک می کند تا منابع مانند هلیکوپترهای نجات یا قایق ها را آماده کنند تا جوامع ساحلی آمادگی بیشتری برای حرکت در این بلایای طبیعی داشته باشند. اما ، مانند هر شبیه سازی از یک سیستم بسیار پیچیده ، این مدل ها خطا می دهند.

برای رفع نیاز به پیش بینی بهتر ، بالاگورو و همکارانش به یادگیری عمیق توجه کردند: نوعی از یادگیری ماشینی که در آن محققان اطلاعات را با الگوریتم هایی تغذیه می کنند که در این مورد ، روابط بین رفتار طوفان و عوامل آب و هوایی مانند گرمای ذخیره شده در اقیانوس را تشخیص می دهد. سرعت باد و دمای هوا سپس الگوریتم ها پیش بینی هایی را در مورد اینکه طوفان چه مسیری را می تواند طی کند ، چقدر قوی می شود و با چه سرعتی می تواند تشدید کند ، ایجاد می کنند.

تحقیقات قبلی توسط Balaguru و دیگر دانشمندان PNNL نشان داد که طوفان های بزرگ اکنون شدیدتر و سریعتر از 30 سال گذشته تشدید می شوند.

بالاگورو گفت: مدل جدید می تواند هزاران طوفان شبیه سازی شده ایجاد کند و این فرصت را برای درک بهتر چگونگی تکامل خطر در جهان گرمتر فراهم می کند.

برای کشف قدرت پیش بینی مدل ، تیم آزمایشاتی را برای شبیه سازی پیش بینی عملیاتی زمان واقعی انجام دادند. ابتدا ، آنها مدل جدید را با تغذیه داده های آب و هوایی شناخته شده از طوفان های گذشته ، تا سال 2018 ، آموزش دادند. سپس مدل بر اساس آنچه از داده های گذشته آموخته بود ، پیش بینی هایی را برای سالهای 2019 و 2020 ایجاد کرد. محققان با شمارش خطاهای پیش بینی هر مدل ، پیش بینی های مدل جدید را با چندین مدل پیش بینی دیگر مورد استفاده در سطح ملی مقایسه کردند. این روش جدید در مقایسه با مدلهای معمولی خطاهای پیش بینی شدت را تا 22 درصد کاهش می دهد.

204000707.059