AI นี้ทํานายเหตุการณ์สภาพอากาศที่รุนแรงในท้องถิ่นได้อย่างไร

เนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศเพิ่มความรุนแรงและความถี่ของเหตุการณ์สภาพอากาศที่รุนแรงการคาดการณ์จึงไม่เคยมีความสําคัญเท่านี้มาก่อน

โมเดลแมชชีนเลิร์นนิงใหม่สามารถเพิ่มความแม่นยําของการพยากรณ์อากาศในท้องถิ่น ซึ่งเป็นความก้าวหน้าที่สามารถพิสูจน์ได้ว่าเป็นการเปลี่ยนแปลง ชีวิตโดยเฉพาะอย่างยิ่งสําหรับรัฐบาลและชุมชนที่มี รายได้น้อย

ปัญหาคือการพัฒนาการพยากรณ์ระดับภูมิภาคที่แม่นยํานั้นยากขึ้นชื่อเนื่องจากฟิสิกส์ที่ซับซ้อนซึ่งขับเคลื่อนฝนตกหนักและเหตุการณ์สภาพอากาศที่รุนแรง การพยากรณ์ระดับภูมิภาคต้องใช้ซูเปอร์คอมพิวเตอร์และผู้ปฏิบัติงานในท้องถิ่นที่ผ่านการฝึกอบรม ทําให้สามารถเข้าถึงได้เฉพาะรัฐบาลและชุมชนที่ร่ําครวยเท่านั้น 

เพื่อแก้ไขปัญหานี้ นักวิทยาศาสตร์ข้อมูลและนักวิจัยจากสตาร์ทอัพ ClimateAi ได้พัฒนาโมเดลแมชชีนเลิร์นนิงที่สามารถทําให้การพยากรณ์ระดับภูมิภาคเป็นประชาธิปไตยในระดับที่ไม่มีใครเทียบได้ แบบจําลองนี้แก้ไขอคติที่มีอยู่ในแบบจําลองสภาพอากาศทั่วโลกในปัจจุบัน และเสนอการพยากรณ์ในท้องถิ่นที่แม่นยําโดยไม่มีข้อจํากัดแบบดั้งเดิมและมีค่าใช้จ่ายสูงของระบบพ ยากรณ์ในปัจจุบัน

การวิจัยของทีมเกี่ยวกับแบบจําลองได้ผ่านการทบทวนอย่างกว้างขวางและมีกําหนดตีพิมพ์ในการประชุม นานาชาติครั้งที่ 25 ว่าด้วยปัญญาประดิษฐ์และสถิติ (AISTATS) ในปลายเดือนมีนาคม 

หัวใจสําคัญของความท้าทายปรากฎว่าเป็นเรื่องของการแก้ไข การพยากรณ์อากาศแบบดั้งเดิมสําหรับอีกหลายวันข้างหน้ามีความละเอียดที่หยาบมาก ดังนั้นจึงไม่ได้จับภาพเหตุการณ์สุดขั้วในท้องถิ่น ทางเลือกหนึ่งที่ใช้ในช่วงไม่กี่ปีที่ผ่านมาคือการใช้การสังเกตอย่างต่อเนื่องเพื่อคาดการณ์สภาพอากาศในท้องถิ่นได้นานถึงสองสามชั่วโมง

ประโยชน์ของการคาดการณ์ดังกล่าวมีจํากัดเมื่อพูดถึงเหตุการณ์สภาพอากาศที่รุนแรง วิธีแก้ปัญหาคือการเพิ่มความละเอียดของการคาดการณ์แบบดั้งเดิมเหล่านั้นซึ่งค่อนข้างแม่นยํา

หัวหน้านักวิทยาศาสตร์ด้าน ข้อมูลของ ClimateAi Dr. Stephan Rasp และ Ilan Price จากมหาวิทยาลัยอ็อกซ์ฟอร์ดได้พัฒนาแนวทางการเรียนรู้ของเครื่องที่เป็นนวัตกรรมใหม่ ใช้เครือข่ายปฏิปักษ์เชิงกําเนิด (GAN) ที่ได้รับการฝึกฝนเกี่ยวกับการพยากรณ์อากาศทั่วโลกเพื่อแก้ไขอคติที่มีอยู่ในแบบจําลองสภาพอากาศปัจจุบัน โมเดลใหม่ลดขนาดการคาดการณ์ทั่วโลกให้แม่นยําเท่ากับการคาดการณ์ในท้องถิ่นโดยไม่ต้องใช้ทรัพยากรด้านการคํานวณการเงินและทรัพยากรมนุษย์จํานวนมากที่จําเป็นก่อนหน้านี้สําหรับขนาดที่เล็กเช่นนี้

"นอกเหนือจากกิจกรรมที่วุ่นวายเมื่อเร็ว ๆ นี้เพื่อปรับปรุง 'nowcasts' โมเดลใหม่ของเราบรรลุความแม่นยําเช่นเดียวกันสําหรับการคาดการณ์ในขอบฟ้าหลายชั่วโมงถึงหลายวัน" "ด้วยการใช้แนวทางสองเท่า เราสามารถอธิบายข้อผิดพลาดที่เป็นระบบในแบบจําลองทั่วโลก และเพิ่มความละเอียดของการคาดการณ์ เพื่อให้จับจุดสุดขั้วในภูมิภาคได้อย่างแม่นยํา"

ด้วยการขจัดข้อจํากัดที่มีค่าใช้จ่ายสูงของระบบพยากรณ์ในปัจจุบันรวมถึงความจําเป็นในการใช้นักอุตุนิยมวิทยาที่ผ่านการฝึกอบรมมาเป็นอย่างดีในการให้ข้อมูลผ่านแบบจําลองที่ซับซ้อนเทคนิคใหม่นี้อาจเป็นประโยชน์ต่อชุมชนที่ไม่สามารถซื้อเทคโนโลยีสําหรับการพยากรณ์ในท้องถิ่นที่มีความละเอียดสูง

ในทางปฏิบัติมีลักษณะอย่างไร? ClimateAi แนะนําสถานการณ์ที่แทนที่จะยืนยัน "โอกาสฝนตก 40% ในสัปดาห์นี้" สําหรับทั้งภูมิภาค โมเดลใหม่จะช่วยให้ผู้ใช้สามารถตอบคําถามที่เป็นประโยชน์มากขึ้นได้อย่างง่ายดายเช่น: 

มีโอกาสที่ฝนจะตกกับไม่ฝนในวันพรุ่งนี้คืออะไร? 

ฝนจะตกที่ไหนกันแน่? 

ถ้าฝนตกฝนจะฝนตกปรอยๆ เทในจุดใดจุดหนึ่ง หรือเทหลายที่แต่ฝนตกปรอยๆ ในที่อื่นหรือไม่?  

นักวิจัยชี้ให้เห็นว่าการคาดการณ์ขนาดใหญ่ที่หยาบคายซ่อนคําตอบสําหรับคําถามเหล่านี้

"ปัญญาประดิษฐ์และความก้าวหน้าของแมชชีนเลิร์นนิงกําลังเปลี่ยนการพยากรณ์อากาศ และแบบจําลองสภาพอากาศในภูมิภาคที่ใช้ทรัพยากรจํานวนมากอาจถูกแทนที่ด้วยแนวทางการเรียนรู้ของเครื่องในไม่ช้า" "การคาดการณ์ที่นําไปใช้ได้จริงจะสนับสนุนธุรกิจและรัฐบาลที่ต้องการป้องกันสภาพภูมิอากาศ ความคิดริเริ่มและการดําเนินงานของตน"

แน่นอนว่าโมเดลใหม่นี้ยังสอดคล้องกับวัตถุประสงค์ทางธุรกิจที่กว้างขึ้นของ ClimateAi ในการช่วยให้บริษัทต่างๆ จัดการความเสี่ยงด้านสภาพภูมิอากาศได้ดียิ่งขึ้นด้วยข้อมูลที่นําไปใช้ได้จริง ในยุคของสภาพอากาศที่รุนแรงเพิ่มขึ้นเนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศ บริษัท ในซานฟรานซิสโกอยู่ในตําแหน่งที่จะช่วยให้ห่วงโซ่อุปทานหลีกเลี่ยงการหยุดชะงักที่ มีค่าใช้จ่ายสูง