Kiedy w lutym 2021 roku Teksas znalazł się w lodowatym uścisku bezprecedensowych burz zimowych, jego infrastruktura energetyczna uległa załamaniu, co doprowadziło do tragicznej śmierci co najmniej 246 osób oraz poważnych niedoborów żywności, wody, ogrzewania i energii elektrycznej. To niszczycielskie wydarzenie dało impuls do wezwania do lepszego przygotowania się i prognozowania ekstremalnych zjawisk pogodowych – ponieważ kiedy natura pokazuje swoje pazury, jedyną tarczą, jaką dysponujemy, jest wiedza.
W tym momencie do akcji wkroczyli naukowcy z MIT, zmieniając dotychczasowe wyobrażenia na temat prognoz pogody na okres od dwóch do sześciu tygodni. Prognozy pogody od dawna uważano za trudną dziedzinę ze względu na ich znaczną nieprzewidywalność w perspektywie dłuższej niż dwa tygodnie. Jednak dzięki przełomowemu modelowi uczenia maszynowego, który eliminuje błędy występujące w tradycyjnych systemach prognozowania, naukowcom udało się podwoić dokładność prognoz dla tego okresu.
W swojej pracy, opublikowanej w prestiżowym czasopiśmie Natura, zespół z MIT zaprezentował swoje przełomowe podejście. Po raz pierwszy w historii ich model osiągnął wyniki lepsze od typowych średnich klimatycznych w przedziale od dwóch do sześciu tygodni — co stanowi ogromny krok naprzód dla branż takich jak rolnictwo i energetyka, które są narażone na skutki ekstremalnych zjawisk pogodowych, takich jak powodzie i silne fale mrozów.
Główna postać tych pionierskich badań, naukowiec z MIT Judah Cohen, stwierdził, że zdolność nowego modelu do przewidywania zarówno średnich, jak i ekstremalnych warunków pogodowych może mieć daleko idące konsekwencje społeczne. Cohen powiedział: “Zjawiska ekstremalne mogą mieć największy wpływ na społeczeństwo”.”
Badania te powstały dzięki wspólnym wysiłkom ekspertów z wielu renomowanych instytucji — między innymi z Uniwersytetu w Toronto, Harvard College, Brazylijskiego Narodowego Instytutu Matematyki Czystej i Stosowanej oraz giganta technologicznego Microsoft. Zjednoczony wspólnym celem – poprawą dokładności prognoz pogody – ten zróżnicowany zespół pokonał barierę dwóch tygodni, która od dziesięcioleci utrzymywała się w dziedzinie prognozowania pogody.
Wychodząc poza ograniczenia teorii chaosu — która zakłada, że nawet najmniejsze zmiany warunków początkowych mogą prowadzić do diametralnie różnych wyników — Cohen i jego zespół opowiedzieli się za poglądem, że atmosfera wykazuje pewne prawidłowości, co pozwala na sporządzanie dokładniejszych prognoz wykraczających poza okres dwóch tygodni.
Co więcej, w ramach tej współpracy wprowadzono nowatorskie połączenie uczenia maszynowego z tradycyjnymi modelami prognostycznymi, co pozwoliło stworzyć system, który wyciąga wnioski z wcześniejszych niedokładności i koryguje swoje przyszłe prognozy. Ta “warstwa przetwarzania końcowego” znacznie zwiększyła dokładność prognoz poprzez systematyczne wykrywanie i eliminowanie błędów.
Efekt tego wynalazku rozprzestrzenia się na całym świecie. Model ten wykazał już swój potencjał w zakresie udoskonalania prognoz lądowych na skalę globalną i może zostać wdrożony w dowolnym systemie prognozowania. Co więcej, jego otwarty charakter i przystępna cena poszerzają jego zasięg, co już teraz otwiera perspektywę globalnej współpracy meteorologicznej. Od Republiki Kenii, badającej możliwość wykorzystania tego modelu do udoskonalenia prognoz dotyczących pory monsunowej i plonów rolnych, po otwieranie nowych możliwości dla branż zależnych od warunków pogodowych, takich jak energetyka.
“Może to pomóc w podjęciu decyzji, kiedy nawozić w okresie opadów deszczu, gdy zbliża się mróz, aby chronić uprawy podczas zimowych zbiorów, lub w uniknięciu susz. Może to być również przydatne w zarządzaniu energią i sytuacjami kryzysowymi” – powiedział z nadzieją Cohen.
Te nowatorskie badania są wspierane przez takie organizacje jak amerykańska Narodowa Fundacja Naukowa (National Science Foundation), Fundacja im. Carlosa Chagasa Filho na rzecz Wspierania Badań Naukowych oraz Unia Europejska. Aby uzyskać szczegółowe informacje na temat tych przełomowych badań, kliknij tutaj.
Ta strona używa plików cookie.