هوش مصنوعی مولد برای تعیین کمیت عدم قطعیت در پیش بینی آب و هوا

در دسامبر 1972، در نشست انجمن آمریکایی برای پیشرفت علم در واشنگتن دی سی، استاد هواشناسی MIT، اد لورنز، سخنرانی ای با عنوان «آیا بال های پروانه در برزیل باعث ایجاد گردباد در تگزاس می شود؟» ارائه کرد. به اصطلاح “اثر پروانه ای”. او در حال ساختن مقاله قبلی و مهم خود در سال 1963 بود که در آن امکان سنجی “پیش بینی آب و هوای دوربرد” را بررسی کرد و توضیح داد که چگونه خطاها در شرایط اولیه زمانی که در زمان با مدل های پیش بینی عددی آب و هوا ادغام می شوند به صورت تصاعدی رشد می کنند. این رشد نمایی خطا، که به نام آشوب شناخته می‌شود، منجر به یک حد قابل پیش‌بینی قطعی می‌شود که استفاده از پیش‌بینی‌های فردی را در تصمیم‌گیری محدود می‌کند، زیرا آنها عدم قطعیت ذاتی شرایط آب و هوایی را کمیت نمی‌کنند. این امر به ویژه هنگام پیش‌بینی رویدادهای شدید آب و هوایی مانند طوفان، موج گرما یا سیل مشکل‌ساز است.

با شناخت محدودیت‌های پیش‌بینی‌های قطعی، آژانس‌های هواشناسی در سراسر جهان موضوع را مطرح می‌کنند پیش بینی های احتمالی. چنین پیش‌بینی‌هایی بر اساس مجموعه‌ای از پیش‌بینی‌های قطعی است که هر یک از آنها با گنجاندن نویز مصنوعی در شرایط اولیه و تصادفی بودن در فرآیندهای فیزیکی ایجاد می‌شوند. با استفاده از نرخ رشد سریع خطا در مدل‌های آب‌وهوا، پیش‌بینی‌ها در یک مجموعه به طور هدفمند متفاوت هستند: عدم قطعیت‌های اولیه برای تولید اجراهایی که تا حد امکان متفاوت هستند تنظیم می‌شوند و فرآیندهای تصادفی در مدل آب‌وهوا تفاوت‌های بیشتری را در طول اجرای مدل ایجاد می‌کنند. رشد خطا با میانگین گیری همه پیش بینی ها در مجموعه کاهش می یابد و تغییر در مجموعه پیش بینی ها عدم قطعیت شرایط آب و هوایی را کمیت می کند.

در حالی که موثر است، تولید این پیش بینی های احتمالی از نظر محاسباتی پرهزینه است. آنها نیاز به اجرای مدل های عددی بسیار پیچیده آب و هوا بر روی ابررایانه های عظیم دارند. در نتیجه، بسیاری از پیش‌بینی‌های هواشناسی عملیاتی فقط می‌توانند 10 تا 50 عضو گروه برای هر چرخه پیش‌بینی تولید کنند. این یک مشکل برای کاربرانی است که نگران احتمال وقوع رویدادهای آب و هوایی نادر اما با تأثیر زیاد هستند، که معمولاً به مجموعه‌های بسیار بزرگ‌تری برای ارزیابی بیش از چند روز نیاز دارند. به عنوان مثال، برای پیش بینی احتمال وقوع رویدادها با احتمال 1% با خطای نسبی کمتر از 10% به یک گروه 10000 نفره نیاز است. کمی کردن احتمال چنین رویدادهای شدید می تواند مفید باشد، به عنوان مثال، برای آماده سازی مدیریت اضطراری یا برای معامله گران انرژی.