مدل یادگیری ماشین دقت پیش‌بینی‌های هواشناسی دو تا شش هفته‌ای را دو برابر کرد

پیش‌بینی قابل‌اتکای هواشناسی در بازهٔ دو تا شش هفته برای برنامه‌ریزی انرژی، کشاورزی و مدیریت بحران اهمیت دارد؛ اما پیش‌بینی‌های بیش از دو هفته معمولاً دقت کمی دارند. پژوهشگران MIT و همکارانشان روشی مبتنی بر یادگیری ماشین ساخته‌اند که خطاهای مدل‌های موجود را می‌آموزد و خروجی آن‌ها را برای این بازه اصلاح می‌کند.

به‌گفتهٔ پژوهشگران، اجرای این روش روی یک مدل پیش‌بینی معتبر، دقت را در بازهٔ دو تا شش هفته دو برابر کرد و در رقابتی بین‌المللی در حوزهٔ پیش‌بینی رتبهٔ نخست را به دست آورد. آن‌ها همچنین می‌گویند پیش‌بینی‌های حاصل برای نخستین‌بار در این بازه از میانگین‌های اقلیمی بهتر عمل می‌کنند و پیش‌بینی رخدادهای حدی، از جمله سیل و موج سرما، را نیز بهبود می‌دهند.

پژوهشگران در مقاله‌ای در Nature این روش را شرح داده‌اند. اهمیت پیش‌بینی زودهنگام در برنامه‌ریزی برای رخدادهایی مانند طوفان‌های زمستانی تگزاس در فوریهٔ ۲۰۲۱ روشن شد؛ بحرانی که به اختلال گسترده در زیرساخت انرژی و کمبود غذا، آب، گرما و برق انجامید و دست‌کم ۲۴۶ کشته بر جای گذاشت. متن منبع می‌گوید آماده‌سازی زودتر، برای نمونه رساندن گاز طبیعی بیشتر به مناطق آسیب‌دیده، می‌توانست خسارت را کاهش دهد.