Μετάφραση της αγγλικής έκδοσής μας. Οι αρχικές πηγές παρατίθενται παρακάτω. Διαβάστε στα αγγλικά
Ερευνητές του MIT ανέπτυξαν εργαλείο τεχνητής νοημοσύνης για τη βελτίωση των υποεποχιακών προγνώσεων καιρού
Ερευνητές στο MIT ανέπτυξαν ένα μοντέλο μηχανικής μάθησης, γνωστό ως Probabilistic Bias Correction (PBC), σχεδιασμένο να βελτιώνει την ακρίβεια των προγνώσεων καιρού στο χρονικό πλαίσιο των δύο έως έξι εβδομάδων. Αυτό το υποεποχιακό εύρος, που συχνά αποκαλείται έρημος προβλεψιμότητας, ήταν ιστορικά δύσκολο να προβλεφθεί με αξιοπιστία. Το νέο επίπεδο μετα-επεξεργασίας που βασίζεται στην τεχνητή νοημοσύνη λειτουργεί ως πρόσθετο σε υπάρχοντα δυναμικά μοντέλα, μαθαίνοντας από ιστορικά σφάλματα για να βελτιώσει τις μελλοντικές προβλέψεις. Στις δοκιμές, το εργαλείο διπλασίασε την προγνωστική ισχύ του μοντέλου του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων και επέδειξε στατιστικά σημαντική βελτίωση στην πρόβλεψη ακραίων καιρικών φαινομένων, όπως ψυχρά κύματα και πλημμύρες.
Βασικά σημεία
- Ερευνητές του MIT ανέπτυξαν ένα εργαλείο βασισμένο στην τεχνητή νοημοσύνη με την ονομασία Probabilistic Bias Correction (PBC) για τη βελτίωση των υποεποχιακών προγνώσεων καιρού.
- Το εργαλείο λειτουργεί ως επίπεδο μετα-επεξεργασίας που διορθώνει συστημικά σφάλματα σε υπάρχοντα μοντέλα πρόγνωσης.
- Το PBC διπλασίασε την προγνωστική ισχύ του μοντέλου του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων (ECMWF) στο εύρος των δύο έως έξι εβδομάδων.
- Το μοντέλο παρουσιάζει βελτιωμένη ακρίβεια για ακραία καιρικά φαινόμενα, τα οποία οι παραδοσιακές μέθοδοι διόρθωσης σφαλμάτων συχνά δυσκολεύονται να προβλέψουν.
- Το εργαλείο είναι ανοιχτού κώδικα και μπορεί να εφαρμοστεί σε διάφορα υπάρχοντα μοντέλα πρόγνωσης.
Τι άλλαξε
Μια ομάδα ερευνητών, συμπεριλαμβανομένων εκείνων από το MIT, τη Microsoft και το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προγνώσεων (ECMWF), παρουσίασε μια νέα τεχνική μηχανικής μάθησης για την ενίσχυση των υποεποχιακών προγνώσεων καιρού. Το εργαλείο, το οποίο περιγράφεται λεπτομερώς στο περιοδικό Nature, αφορά το παράθυρο πρόγνωσης των δύο έως έξι εβδομάδων, μια περίοδο που προηγουμένως χαρακτηριζόταν από χαμηλή αξιοπιστία.
Το εργαλείο Probabilistic Bias Correction (PBC) λειτουργεί ως περιτύλιγμα για υπάρχοντα συστήματα πρόγνωσης. Αναλύοντας ιστορικά δεδομένα για τον εντοπισμό και την εξάλειψη συστηματικών σφαλμάτων, το μοντέλο βελτιώνει προσαρμοστικά τις διορθώσεις του. Σε αντίθεση με τις παραδοσιακές μεθόδους διόρθωσης σφαλμάτων που συχνά παλινδρομούν προς τον μέσο όρο, το εργαλείο PBC διατηρεί την ακρίβεια για ακραία καιρικά φαινόμενα.
Διαθεσιμότητα
Το εργαλείο Probabilistic Bias Correction είναι ανοιχτού κώδικα και έχει σχεδιαστεί για να είναι χαμηλού κόστους. Αν και οι ερευνητές χρησιμοποίησαν ένα σύμπλεγμα υπερυπολογιστών στο MIT για την κατασκευή του μοντέλου, το σύστημα που προέκυψε δεν απαιτεί υπερυπολογιστή για να λειτουργήσει. Η μετεωρολογική υπηρεσία της Δημοκρατίας της Κένυας φέρεται να έχει εκφράσει ενδιαφέρον για την εφαρμογή του μοντέλου προκειμένου να βοηθήσει στον γεωργικό σχεδιασμό.
Γιατί έχει σημασία
Η βελτιωμένη υποεποχιακή πρόγνωση θα μπορούσε να επιτρέψει στους τομείς της ενέργειας και της γεωργίας να προετοιμαστούν για ακραία καιρικά φαινόμενα εβδομάδες νωρίτερα, μετριάζοντας ενδεχομένως τις αστοχίες υποδομών και προστατεύοντας τις αποδόσεις των καλλιεργειών.
Τι γνωρίζουμε
- Ερευνητές του MIT ανέπτυξαν το μοντέλο μηχανικής μάθησης Probabilistic Bias Correction (PBC).
- Το μοντέλο PBC βελτιώνει την ακρίβεια της πρόγνωσης καιρού στο υποεποχιακό εύρος των δύο έως έξι εβδομάδων.