استخدام الذكاء الاصطناعي للكشف عن غموض تأثير إلنينو على الجفاف والفيضانات

لقرون، لاحظ الصيادون في بيرو وجود صلة بين مياه المحيط الأكثر دفئًا من المعتاد – ما يعرف الآن بظاهرة النينيو – والجفاف والفيضانات على اليابسة.

لكن إجراء تنبؤات هيدرولوجية دقيقة حول تأثير ظاهرة النينيو على أنماط الطقس الإقليمية- وحتى فهم ظاهرة النينيو المعقدة نفسها – قد أحبط علماء المناخ لعقود.

يقول أوروب جانجولي، المدير المشارك لمعهد المرونة العالمية بجامعة نورث إيسترن، كان يُعتقد أن إجراء الاتصال يتطلب تطوير نموذج فيزيائي معقد بشكل لا يصدق، نموذج يتضمن تدفقات يصعب قياسها بين المحيط والغلاف الجوي وبين الغلاف الجوي والأرض.

في ورقة بحثية نُشرت مؤخرًا في مجلة Nature Communications ، أظهر جانجولي وثلاثة مؤلفين مشاركين، أن استخدام التعلم الآلي لحل البيانات الموجودة يمكن أن يسفر عن رؤى قابلة للتفسير حول تأثير ظاهرة النينيو على أنظمة الأنهار الكبرى في العالم – نهر الغانج والكونغو والأمازون – وفي النهاية، أنماط الطقس الإقليمية.

كنز دفين من البيانات

لقد جمع علماء المناخ قدرًا هائلاً من البيانات ، بناءً على كل من الملاحظات والنماذج ، المتعلقة بأنماط الطقس ، ودرجات حرارة المحيطات من جميع أنحاء العالم ، ومستويات الفيضانات ، والجفاف ، وظواهر مناخية أخرى ، كما يقول جانجولي.

حتى الآن ، لم يتم استغلال كنز البيانات بالكامل ، كما يقول ، مضيفًا أنه تم تخزينه أحيانًا في صوامع منفصلة لعلوم المناخ.

يقول جانجولي ، إن التطورات الجديدة في التعلم الآلي أو التعلم العميق تجعل من الممكن استخدام الخوادم ذات القدرة الحاسوبية العالية لتسخير مخازن البيانات الهائلة لتطوير خوارزميات تنبؤية.

يقول: “هذا التعلم العميق القابل للتفسير جديد”، “يمكننا أن نقول هنا كيف ترتبط درجة حرارة سطح البحر بنفسها وتؤثر على تدفق النهر، ونحن نتعلم ذلك من الماضي، لم يكن ذلك في مجال الجدوى من قبل”.

كما يقول جانجولي، وهو أيضًا الرائد في Climate-AI في معهد الذكاء الاصطناعي التجريبي،يمكن للتعلم العميق اكتشاف ما هو أساسًا علاقة بعيدة المدى بين درجات حرارة سطح البحر في شرق المحيط الهادئ ، حيث تحدث ظاهرة النينيو أو لا نينا بشكل متقطع ، وما يعنيه ذلك لتدفقات الأنهار في جميع أنحاء العالم.

التعلم العميق لمواجهة تحديات المجتمع الكبيرة

يقول: “تكمن قوة هذه الأساليب في القدرة على استخراج هذه المعلومات من المحيط الشاسع – المقصود من التورية! – من البيانات ، وليس من خلال المؤشرات المبسطة لهذه الظاهرة المعقدة”.

فكر في القدرة على تقييم ما يحدث من خلال ربط درجات حرارة المحيط بتطور السحب بهطول الأمطار الذي يؤثر على الأنهار ، في أجزاء مختلفة من العالم ، كما يقول المؤلف المشارك Yumin Liu من أمازون ، الذي عمل في الدراسة باعتباره دكتوراه في Northeastern. طالب.

يقول: “يدرك الناس الآن أنه يمكنهم الاستفادة بشكل متبادل من خلال ربط مجتمع التعلم الآلي ومجتمع المناخ”.

ستكون المعلومات القادمة قادرة على مساعدة أصحاب المصلحة على الاستعداد بشكل أفضل للفيضانات والجفاف والأحداث المناخية الأخرى التي تؤثر على الأرواح والمنازل والصناعة والنقل وإنتاج الغذاء.

تقول المؤلفة المشاركة جينيفر داي ، أستاذة الهندسة الكهربائية والكمبيوتر بجامعة نورث إيسترن: “إن تطوير أساليب التعلم الآلي وتكييفها لمواجهة التحديات المجتمعية الكبرى هي حاجة ملحة لعصرنا”.

تقول الكاتبة المشاركة كيت دافي ، التي عملت في الدراسة كطالب دكتوراه: “هذه الورقة هي عرض مثير للاهتمام حول كيف يمكن لعلوم البيانات ، وبالتحديد التعلم العميق وبنى الشبكات المعقدة ، سد الثغرات في فهمنا التنبئي للمناخات المائية”. طالب في مختبر الاستدامة وعلوم البيانات بجامعة Northeastern.

تطوير النماذج التنبؤية

من السهل نسبيًا قياس درجة الحرارة، على الرغم من الحاجة إلى كميات هائلة من البيانات لتتبع درجات الحرارة عبر مساحة المحيطات الواسعة للكوكب.

من الصعب قياس الهطول، لأن أنظمة هطول الأمطار “يمكن أن تكون عشوائية إلى حد ما وتتطور بسرعة كبيرة”، وفقًا لوكالة ناسا.

يقول العلماء إن نموذج التعلم العميق يسمح للعلماء بالاستفادة من كلا النوعين من المعلومات لتطوير نموذج تنبؤي محتمل.

يقول دافي، إن الورقة تُظهر أيضًا أن التحسينات في نماذج أنظمة الأرض يمكنها أيضًا تحسين أنظمة البرامج، المسماة المقرنات، التي تربط مكونات النماذج الكبيرة مثل نماذج المحيطات والغلاف الجوي والأرض، وتسهل ردود الفعل وتدفق المعلومات بشكل أفضل. أحد الأمثلة على هذا المقرن هو نموذج Energy Exascale Earth System .

كما يقول جانجولي، “ما تقترحه الورقة هو أنه قد يكون من المهم في المستقبل دراسة إمكانية معالجة الثغرات في علم الاقتران من خلال تطوير ما يسمى بمناهج الفيزياء الهجينة والذكاء الاصطناعي، على سبيل المثال، النماذج العددية والمعادلة التفاضلية الجزئية يمكن ربط الأنظمة القائمة على الأقل جزئيًا عبر التعلم الآلي”.

تحسين تدفق المعلومات

يقول داي، مدير التعليم التجريبي لما بعد الدكتوراة في الذكاء الاصطناعي، إن معهد نورث إيسترن للذكاء الاصطناعي التجريبي يخطط للعمل على تطوير “حلول قابلة للتعميم وجديرة بالثقة”، تجمع بين نماذج المناخ العالمية، والتعلم الآلي المخصص.

كما يقول جانجولي، الأستاذ المتميز في كلية نورث إيسترن للهندسة، قد تبدو القدرة على التنبؤ بالمعلومات حول تدفقات الأنهار من خرائط درجة حرارة سطح البحر حلاً مناسبًا، “فإنه يتيح فرصًا لا تصدق للانفتاح”.

يوضح البحث كيف يمكن للطرق التي تعتمد على البيانات أن تمكن من تحسين توقعات موارد المياه المستنيرة للمناخ، كما تقول دافي، التي استقالت مؤخرًا كعالمة في وكالة ناسا لإطلاق مشروعها الخاص في مجال الاستشعار عن بعد عبر الأقمار الصناعية القائم على الذكاء الاصطناعي بمنحة SBIR من ناسا.

الاحتمال المثير للاهتمام ، وفقًا لـ Ganguly and Dy ، هو أن هذا يفتح تطوير أنظمة الذكاء الاصطناعي الهجين من أجل اقتران أكثر فعالية لمكونات النموذج داخل أنظمة الأرض ونماذج المناخ العالمية.