Daha sadə süni intellekt modelləri havanı daha yaxşı proqnozlaşdırırlar

     Massaçusets Texnologiya İnstitutunun (MIT) alimləri göstəriblər ki, temperatur dəyişikliklərinin proqnozlaşdırılmasında ənənəvi fiziki modellər çox vaxt müasir deep learning modellərini üstələyir. Lakin süni intellekt lokal yağıntıların proqnozlaşdırılmasında üstünlüklər nümayiş etdirir. Tədqiqat hibrid yanaşmanın və iqlim proqnozlarının qiymətləndirilməsi üçün daha dəqiq metodların hazırlanmasının vacibliyini vurğulayır. Yer iqlimi son dərəcə mürəkkəb bir sistemdir və onun dəyişikliklərini proqnozlaşdırmaq parnik qazı emissiyaları sahəsində strategiyaların işlənib hazırlanması üçün böyük əhəmiyyət daşıyır. Müasir iqlim modelləri fiziki qanunları nəzərə alır, lakin onların superkompüterlərdə işə salınması həftələrlə vaxt apara bilər. Prosesi sürətləndirmək üçün alimlər iqlim emulyatorlarından - müxtəlif emissiya ssenarilərinin temperatur və yağıntılara təsirini tez qiymətləndirməyə imkan verən sadələşdirilmiş modellərdən istifadə edirlər.

     MIT tədqiqatçıları iqlim emulyatorlarının qurulması üçün hansı yanaşmanın daha uyğun olduğunu yoxladılar - ənənəvi xətti şablon miqyası metodu (LPS) yoxsa müasir deep learning modelləri. Analiz göstərdi ki, LPS daha çox hallarda regional temperatur proqnozlarını daha dəqiq verib və ümumilikdə əksər parametrlər üçün daha etibarlı işləyib. Bu, alimlər üçün gözlənilməz oldu: onlar düşünürdülər ki, mürəkkəb deep learning modeli lokal yağıntıların proqnozlaşdırılmasında daha yaxşı nəticə göstərəcək, çünki onların dinamikası sadə xətti qanunlarla izah edilmir. Lakin modellər iqlim məlumatları üzərində yoxlanarkən güclü təbii dəyişkənliklər, məsələn El-Ninyo və La-Ninya nəticələri təhrif edə bilərdi.

     Deep learning modelləri belə proqnozlaşdırılmayan hallarla pis öhdəsindən gəlirdi və daha az dəqiqlik nümayiş etdirirdi. Bu fonda LPS metodu daha etibarlı görünürdü, çünki o, dəyişkənlikləri orta hesabla sabitləşdirir və beləliklə, məlumatdakı səs-küyü azaldırdı. Daha düzgün qiymətləndirmə aparmaq üçün MIT komandası benchmarking metodunu təkmilləşdirdi ki, o, iqlimin təbii dəyişkənliyini də nəzərə alsın. Yeni testdə deep learning modelləri lokal yağıntıların proqnozlaşdırılmasında daha yaxşı nəticələr göstərdi, lakin temperatur proqnozları üçün LPS daha dəqiq qaldı. Bu nəticələri əldə etdikdən sonra alimlər müxtəlif emissiya ssenarilərində lokal temperatur dəyişikliklərini tez proqnozlaşdırmaq üçün LPS metodunu iqlim modelləşdirmə platformasına inteqrasiya etdilər.

     Bununla yanaşı, onlar vurğulayırlar ki, LPS ideal deyil: o, ekstremal hava hadisələrini və iqlim dəyişkənliyini zəif proqnozlaşdırır. Tədqiqatçılar vurğulayırlar ki, iqlim modelləşdirilməsi üçün optimal alətlərin seçilməsi daha mükəmməl müqayisəli analiz metodlarını tələb edir. Bu, həm sadə fiziki yanaşmaların, həm də mürəkkəb machine learning modellərinin güclü və zəif tərəflərini daha dəqiq qiymətləndirməyə imkan verəcək. Bu yanaşma yalnız alimlərə aerozolların və ya ekstremal yağıntıların təsiri kimi çətin məsələləri öyrənməkdə kömək etməyəcək, həm də hakimiyyət orqanlarını iqlim gündəliyi ilə bağlı qərarların qəbulu üçün daha etibarlı informasiya ilə təmin edəcək.