|
|
امروز: سه‌شنبه ۰۶ آذر ۱۴۰۳ - ۰۷:۴۷
کد خبر: ۲۷۵۴۵۲
تاریخ انتشار: ۲۸ مرداد ۱۳۹۸ - ۱۴:۲۱
"دیوید جان گاگن"(David John Gagne)، سرپرست این گروه پژوهشی گفت: ما می‌دانیم که ساختار طوفان می‌تواند بر تولید تگرگ موثر باشد اما بیشتر روش‌های پیش‌بینی تگرگ معمولا فقط بخش کوچکی از طوفان را مورد بررسی قرار می دهند و نمی‌توانند شکل و ساختار گسترده‌تری را تشخیص دهند.
 پژوهشگران آمریکایی، یک مدل یادگیری عمیق ابداع کرده‌اند که می‌تواند طوفان‌های تگرگ و شدت آنها را پیش‌بینی کند.

به نقل از ساینمگ، پژوهش جدید "سازمان ملی پژوهش‌های جوی"(NCAR) آمریکا نشان می‌دهد شاید هوش مصنوعی که معمولا در سیستم‌های تشخیص چهره به کار می‌رود، بتواند به پیش‌بینی طوفان‌های تگرگ و شدت آنها کمک کند.

دانشمندان این سازمان، یک مدل یادگیری عمیق موسوم به "شبکه عصبی پیچشی"(ConvNet) را آموزش دادند تا بتواند ویژگی‌های طوفان‌هایی که بر شکل‌گیری تگرگ اثر می‌گذارند و میزان شدت طوفان‌های تگرگ را تشخیص دهد. از آنجا که تشخیص هر دو مورد معمولا کار دشواری است، این مدل در صورت موفقیت می‌تواند بسیار کارآمد باشد.

نتایج این پژوهش که با حمایت "بنیاد ملی علوم آمریکا"(NSF) انجام شده، می‌تواند اهمیت بررسی ساختار کلی طوفان را که موضوعی چالش‌برانگیز است، مشخص کند.

"دیوید جان گاگن"(David John Gagne)، سرپرست این گروه پژوهشی گفت: ما می‌دانیم که ساختار طوفان می‌تواند بر تولید تگرگ موثر باشد اما بیشتر روش‌های پیش‌بینی تگرگ معمولا فقط بخش کوچکی از طوفان را مورد بررسی قرار می دهند و نمی‌توانند شکل و ساختار گسترده‌تری را تشخیص دهند.

"نیک اندرسون"(Nick Anderson)، مسئول برنامه‌های بنیاد ملی علوم آمریکا گفت: تگرگ، به خصوص تگرگ‌های بزرگ می‌توانند اثرات قابل توجهی بر اقتصاد و کشاورزی داشته باشند. استفاده از ابزار مبتنی بر یادگیری عمیق با روش‌های منحصر به فرد می‌تواند بینش‌ جدیدی در مورد شرایطی که تگرگ‌های بزرگ در آن پیش می‌آید فراهم کند و پیش‌بینی در این مورد را بهبود ببخشد. یادگیری عمیق، یک روش علمی خلاقانه و کارآمد برای این حوزه خواهد بود.

این پژوهش، براساس بررسی پیشین "گاگن" انجام شده که شکل متفاوتی از یادگیری ماشینی موسوم به مدل "جنگل تصادفی"(random forest) را برای پیش‌بینی تگرگ به کار برده بود. مدل جنگل تصادفی به جای تحلیل تصاویر، سوالاتی را مطرح می‌کند که برای تعیین میزان احتمال تگرگ طراحی شده‌اند. این سوالات می‌توانند موضوعات گوناگونی از جمله نقطه شبنم - دمایی که هوا باید برای اشباع شدن با بخار آب به آن برسد- ، دما یا باد را در بر داشته باشد. مجموعه پاسخ‌های داده شده به این سوالات می‌توانند پیش‌بینی قابل اطمینانی ارائه دهند.

گام بعدی برای پیشرفت این مدل جدید یادگیری، آزمایش آن با بررسی‌های مربوط به طوفان و تگرگ است تا مدل به مرحله اجرایی برسد.

این پژوهش، در مجله "Monthly Weather Review" به چاپ رسید.

منبع: ایسنا
ارسال نظر
نام:
ایمیل:
* نظر:
اخبار روز
ببینید و بشنوید
آخرین عناوین