Sztuczna inteligencja poprawia prognozy opadów monsunowych
Każdego roku w okresie monsunowym w Azji Południowej w okresie od czerwca do września ponad miliard ludzi zmaga się z ulewnymi deszczami. Ich dokładne prognozowanie ma istotne znaczenie nie tylko dla rolnictwa. Sporą rolę może odegrać tu sztuczna inteligencja.
Jak podaje Caltech deszcz pada w sposób oscylacyjny: w niektórych tygodniach poziom wody wynosi od 1 do 4 cali, podczas gdy w innych tygodniach jest przeważnie sucho.
Przewidywanie, kiedy wystąpią te okresy suche i mokre, ma kluczowe znaczenie dla planowania rolnictwa i miast, ponieważ umożliwia rolnikom wiedzę, kiedy zbierać plony i pomaga władzom miejskim przygotować się na powódź – czytamy w komunikacie Instytutu Caltech.
Chociaż prognozy pogody są w większości dokładne w ciągu jednego lub dwóch dni, to jednak precyzyjne przewidzenie pogody na tydzień lub miesiąc jest bardzo trudne.
Obecnie wykazano, że nowa prognoza oparta na uczeniu maszynowym dokładniej przewiduje opady monsunowe w Azji Południowej z 10–30-dniowym wyprzedzeniem, co stanowi znaczną poprawę w stosunku do obecnych, najnowocześniejszych prognoz, które wykorzystują modelowanie numeryczne. Zrozumienie zachowania monsunów jest również ważne, ponieważ ten rodzaj opadów jest główną cechą atmosfery w globalnym klimacie – czytamy także.
Artykuł opisujący nową metodę ukazał się na początku kwietnia w czasopiśmie Proceedings of the National Academy of Sciences.
Jak wskazują naukowcy, którzy prowadzili badania – istnieje wiele obaw dotyczących wpływu zmian klimatycznych na monsuny i inne zjawiska pogodowe. Dlatego poprawa prognoz w krótszych ramach czasowych jest ważną częścią reagowania na zmiany klimatyczne, ponieważ musimy być w stanie poprawić przygotowanie na te wydarzenia.
W Azji Południowej deszcz zwykle pada w cyklach intensywnych burz, po których następują okresy suszy. Cykle te nazywane są monsunowymi oscylacjami wewnątrz-sezonowymi (MISO). W ramach nowych badań naukowcy dodali komponent uczenia maszynowego do najnowocześniejszych modeli numerycznych. To umożliwiło im zebranie danych na temat MISO i dokonanie lepszych prognoz opadów w nieuchwytnej skali czasowej od dwóch do czterech tygodni. Powstały model był w stanie poprawić korelację przewidywań z obserwacjami nawet o 70 procent.
Źrodło: Caltech
Czytaj też: Aplikacja do obserwacji Ziemi oparta na sztucznej inteligencji
Grafika tytułowa: Sonika Agarwal / Unsplash
