نماذج أبسط قد تتفوق على التعلم العميق في التنبؤ بالمناخ: دراسة جديدة من معهد ماساتشوستس للتكنولوجيا
مقدمة
يلجأ علماء البيئة بشكل متزايد إلى نماذج ضخمة للذكاء الاصطناعي للتنبؤ بالتغيرات في الطقس والمناخ. لكن دراسة جديدة من باحثي معهد ماساتشوستس للتكنولوجيا (MIT) تُظهر أن النماذج الأكبر ليست دائمًا الأفضل. أظهر الفريق البحثي، في سيناريوهات مناخية محددة، أن نماذج أبسط تعتمد على الفيزياء يمكن أن تولد تنبؤات أكثر دقة من نماذج التعلم العميق المتطورة.
تحليل تقنيات قياس الأداء
كشفت الدراسة أيضًا أن تقنية قياس الأداء المستخدمة بشكل شائع لتقييم تقنيات التعلم الآلي للتنبؤات المناخية قد تكون مُشوَّهة بسبب التغيرات الطبيعية في البيانات، مثل تقلبات أنماط الطقس. وقد يؤدي هذا إلى الاعتقاد الخاطئ بأن نموذج التعلم العميق يُنتج تنبؤات أكثر دقة، بينما هذا ليس هو الحال. طور الباحثون طريقة أكثر قوة لتقييم هذه التقنيات، والتي أظهرت أن النماذج البسيطة أكثر دقة عند تقدير درجات الحرارة السطحية الإقليمية، بينما يمكن أن تكون مناهج التعلم العميق هي الخيار الأمثل لتقدير هطول الأمطار المحلي.
تطبيق النتائج على محاكاة المناخ
استخدم الباحثون هذه النتائج لتحسين أداة محاكاة تُعرف باسم “محاكي المناخ” (climate emulator)، والتي يمكنها محاكاة تأثير الأنشطة البشرية على مناخ المستقبل بسرعة. يرى الباحثون أن عملهم بمثابة “تحذير” من مخاطر نشر نماذج الذكاء الاصطناعي الضخمة في علوم المناخ. فبينما أظهرت نماذج التعلم العميق نجاحًا باهرًا في مجالات مثل اللغة الطبيعية، إلا أن علوم المناخ تحتوي على مجموعة مثبتة من القوانين الفيزيائية والتقريبات، ويتمثل التحدي في كيفية دمجها في نماذج الذكاء الاصطناعي.
مقارنة النماذج: نموذج “التحجيم الخطي للأنماط” (LPS) مقابل التعلم العميق
قام الباحثون بمقارنة تقنية تقليدية تسمى “التحجيم الخطي للأنماط” (LPS) مع نموذج التعلم العميق باستخدام مجموعة بيانات مرجعية شائعة لتقييم محاكيات المناخ. أظهرت نتائجهم أن تقنية LPS تفوقت على نماذج التعلم العميق في التنبؤ بمعظم المعلمات التي تم اختبارها، بما في ذلك درجة الحرارة وهطول الأمطار.
التغيرات الطبيعية في المناخ وتأثيرها على قياس الأداء
وجد الباحثون أن القدر الكبير من التباين الطبيعي في عمليات تشغيل نماذج المناخ يمكن أن يتسبب في ضعف أداء نموذج التعلم العميق في التذبذبات طويلة الأمد التي لا يمكن التنبؤ بها، مثل ظاهرة النينيو/النينيا. وهذا يُشوِّه درجات قياس الأداء لصالح تقنية LPS، التي تُعادل هذه التذبذبات. وبناءً على ذلك، قام الباحثون ببناء تقييم جديد ببيانات أكثر شمولاً تعالج التباين المناخي الطبيعي. مع هذا التقييم الجديد، حقق نموذج التعلم العميق أداءً أفضل قليلاً من LPS لهطول الأمطار المحلي، لكن LPS لا تزال أكثر دقة في تنبؤات درجة الحرارة.
الخلاصة والتوصيات
يؤكد الباحثون على الحاجة إلى تطوير تقنيات قياس أداء أفضل، والتي يمكن أن توفر صورة أوضح لأي تقنية محاكاة مناخية هي الأنسب لحالة معينة. يأملون أن يبني الآخرون على تحليلهم، ربما من خلال دراسة تحسينات إضافية لطرق قياس الأداء ومقاييس محاكاة المناخ. يمكن لهذا البحث أن يستكشف مقاييس موجهة نحو التأثير مثل مؤشرات الجفاف ومخاطر حرائق الغابات، أو متغيرات جديدة مثل سرعات الرياح الإقليمية. في نهاية المطاف، ستساعد تقنيات قياس الأداء الأكثر دقة في ضمان اتخاذ صناع القرار للقرارات بناءً على أفضل المعلومات المتاحة. هذا البحث ممول جزئياً من قبل Schmidt Sciences, LLC، وهو جزء من فريق تحديات المناخ الكبرى في معهد ماساتشوستس للتكنولوجيا لـ “جلب الحوسبة إلى تحدي المناخ”.
اترك تعليقاً