«سه هفته دیگر، عصر جمعه باران می‌بارد» با «احتمال پرباران‌تر بودن یک هفته نسبت به معمول بیشتر شده است» دو خبر متفاوت‌اند. جمله اول زمان یک رویداد را مشخص می‌کند؛ جمله دوم درباره مجموعه‌ای از حالت‌های ممکن حرف می‌زند. پژوهش تازه هوش مصنوعی در پیش‌بینی هوا به معنای دوم نزدیک‌تر است. اهمیت اجتماعی آن هم از همین‌جا آغاز می‌شود: اگر زودتر بدانیم چه شرایطی محتمل‌تر شده، شاید بتوانیم پیش از محدودشدن انتخاب‌ها برای آن آماده شویم.
مقاله «پیشبرد پیش‌بینی زیر‌فصلی با یادگیری ماشین» در ۱۴ اکتبر ۲۰۲۶ در Nature منتشر شد. پیش‌بینی زیر‌فصلی در این بحث، بازه حدود دو تا شش هفته آینده را در بر می‌گیرد. این تاریخ، انتشار نسخه داوری‌شده است؛ نسخه اولیه پژوهش از ۱۷ آوریل ۲۰۲۶ در arXiv وجود داشته است. بنابراین با معرفی نخستین ایده در این هفته روبه‌رو نیستیم. خبر تازه، انتشار علمی آن و گزارش تازه مؤسسه پژوهشی درباره نتایج است. مشخصات مقاله در Nature و نسخه اولیه پژوهش
پیش‌بینی یک هفته، برنامه روزهای آن هفته نیست
مرکز اروپایی پیش‌بینی میان‌مدت وضع هوا، ECMWF، توضیح می‌دهد که در افق‌های طولانی‌تر، خروجی معمولاً احتمال حالت‌های مختلف و فاصله آن‌ها از شرایط معمول است. برای مثال، دمای میانگین هفت روز ممکن است در مقایسه با مقدار معمول همان دوره بررسی شود. چنین عددی نمی‌گوید در هر ساعت چه اتفاقی می‌افتد. این مرکز پیش از پژوهش تازه نیز پیش‌بینی‌های زیر‌فصلی تولید می‌کرد؛ دستاورد مورد بحث، بهبود کیفیت پیش‌بینی است، نه اختراع امکان نگاه‌کردن به چند هفته آینده. توضیح رسمی پیش‌بینی‌های زیر‌فصلی و فصلی
یک مثال فرضی کمک می‌کند این تفاوت را ببینیم. اگر در یک هفته بیشتر باران در یک روز ببارد، جمع بارش آن هفته می‌تواند بالا باشد، در حالی که چند روز دیگر خشک بمانند. در نتیجه، خبر پرباران‌تر بودن هفته برای کسی که درباره ذخیره آب فکر می‌کند معنایی دارد و برای کسی که ساعت برگزاری یک مراسم را انتخاب می‌کند معنای دیگری. تبدیل احتمال هفتگی به یک علامت باران برای تمام روزها، اطلاعاتی به پیش‌بینی اضافه می‌کند که الزاماً در آن وجود ندارد.
همین تفاوت در پیام‌رسانی به مردم مهم است. عنوان کوتاه یک خبر یا شکل ساده یک اپلیکیشن می‌تواند دامنه ادعا را ناخواسته عوض کند. اگر گزارش درباره میانگین یک منطقه و یک هفته است، باید همان مقیاس را در ذهن نگه داریم. پیش‌بینی بهتر هنوز نیازمند خواندن درست است؛ وگرنه بهبود علمی ممکن است در آخرین مرحله، هنگام تبدیل‌شدن به توصیه روزمره، از دست برود.
یادگیری از اشتباه‌های تکرارشونده مدل‌ها
روش پژوهشگران «اصلاح سوگیری احتمالاتی» یا PBC نام دارد. سوگیری در اینجا یعنی خطای نظام‌مند مدل، نه جانبداری انسانی. طبق توضیح مخزن رسمی پروژه، این روش خروجی مجموعه‌ای از پیش‌بینی‌های موجود را می‌گیرد و احتمال‌ها را برای کاهش خطاهای تکرارشونده اصلاح می‌کند. قرار نیست همه فرایندهای جو را از ابتدا جایگزین کند؛ یک لایه اصلاح روی مدل‌های فیزیکی، هوش مصنوعی یا ترکیبی قرار می‌گیرد. کد و معرفی رسمی PBC
برای فهم ایده، یک تشبیه ساده در نظر بگیریم: اگر وسیله اندازه‌گیری در شرایط مشخص بارها مقدار را بیشتر نشان دهد، شناخت الگوی خطا می‌تواند به اصلاح خوانش بعدی کمک کند. در هواشناسی مسئله بسیار پیچیده‌تر است و با یک عدد ثابت حل نمی‌شود؛ این تشبیه فقط فرق «پیش‌بینی دوباره همه‌چیز» و «یادگیری خطای خروجی قبلی» را روشن می‌کند. برای ارزیابی درست، مدل باید پیش‌بینی را فقط با اطلاعات موجود در زمان صدور آن بسازد؛ سپس نتیجه با وضعیت واقعی که بعداً مشاهده می‌شود مقایسه شود.
نسخه اولیه پژوهش، ارزیابی‌هایی روی داده‌های گذشته و پیش‌بینی‌های سال ۲۰۲۵ گزارش می‌کند. در بخش مهمی از ارزیابی، میانگین دما و فشار و مجموع بارش در بازه‌های هفتگی بررسی شده‌اند و معیار، بهبود پیش‌بینی احتمالاتی نسبت به یک مرجع اقلیمی است. این مرجع از الگوی تاریخی آب‌وهوا به دست می‌آید. بنابراین عبارت‌هایی مانند «مهارت بیشتر مدل» را نباید درصد روزهایی دانست که پیش‌بینی‌شان کاملاً درست بوده است. جزئیات فوق مربوط به نسخه اولیه پژوهش است. روش ارزیابی در نسخه اولیه
از نتیجه پژوهش تا تصمیم واقعی هنوز فاصله هست
گزارش ۱۴ اکتبر MIT از بهبود پیش‌بینی‌ها و نتیجه موفق ترکیب مدل‌ها در رقابت هواشناسی خبر می‌دهد. MIT یکی از مؤسسات مشارکت‌کننده در پژوهش است؛ گزارش آن را باید توضیح تیم درباره کار خودش دانست، نه تکرار مستقل آزمایش. همان گزارش، آمادگی در حوزه‌هایی مانند انرژی و کشاورزی را از کاربردهای بالقوه می‌داند. بهترشدن معیار پیش‌بینی، به‌تنهایی اثبات نمی‌کند که خسارت یک جامعه مشخص کاهش یافته است. گزارش MIT درباره پژوهش
صفحه رسمی رقابت AI Weather Quest نیز دامنه آزمون را روشن می‌کند: شرکت‌کنندگان پیش‌بینی‌های واقعی را برای پنجره‌های روزهای ۱۹ تا ۲۵ و ۲۶ تا ۳۲ ارسال می‌کنند. این نوع ارزیابی از سنجیدن صرف روی گذشته فراتر می‌رود، چون پیش‌بینی باید پیش از معلوم‌شدن نتیجه ارائه شود. با این حال، رتبه خوب در رقابت، ضمانت عملکرد یکسان در همه مناطق، همه فصل‌ها یا هر کاربرد محلی نیست. برای ایران یا یک شهر مشخص نیز در این مقاله اعتبارسنجی جداگانه‌ای انجام نشده است. دامنه و ساختار رسمی رقابت
یک خبر هواشناسی، دو تصمیم متفاوت
فرض کنیم برگزارکننده یک بازارچه محلی، چند هفته پیش از رویداد، چشم‌اندازی معتبر از افزایش احتمال بارش دریافت کند. پاسخ او لازم نیست لغو فوری بازارچه باشد. شاید بتواند امکان استفاده از فضای سرپوشیده را باز نگه دارد یا زمان تصمیم نهایی را با فروشندگان هماهنگ کند. این سناریوی فرضی نشان می‌دهد اطلاعات زودتر، گاهی با حفظ یک انتخاب ارزش پیدا می‌کند؛ حتی وقتی هنوز برای تصمیم قطعی کافی نیست.
در همان منطقه، مدیر یک باغ با مسئله دیگری روبه‌روست. او ممکن است بررسی تجهیزات و هماهنگی نیروی کار را جلو بیندازد، اما تصمیم درباره آبیاری را با وضعیت خاک، نیاز محصول و اطلاعات نزدیک‌تر به زمان اجرا بگیرد. این مثال توصیه تخصصی کشاورزی نیست؛ نشان می‌دهد یک احتمال مشترک الزاماً یک اقدام مشترک تولید نمی‌کند. هزینه اقدام اشتباه، امکان برگشت و زمان لازم برای آماده‌شدن در هر فعالیت متفاوت است.
از دید آینده زندگی، نکته مهم همین فاصله میان اطلاع و توان عمل است. دو نفر می‌توانند یک پیش‌بینی یکسان ببینند، اما یکی بودجه و فضای جایگزین داشته باشد و دیگری نداشته باشد. اگر خدمات مبتنی بر AI فراگیر شوند، کیفیت توضیح و دسترسی به گزینه‌های عملی نیز اهمیت پیدا می‌کند. صرف نمایش احتمال دقیق‌تر، نابرابری در امکان آماده‌شدن را خودبه‌خود برطرف نمی‌کند. این برداشت تحلیلی است و نتیجه اندازه‌گیری اجتماعی در پژوهش یادشده نیست.
فرصت بیشتر باید به انتخاب قابل استفاده تبدیل شود
کد پژوهش در دسترس است، اما مخزن پروژه برای اجرای آن مراحل آماده‌سازی نرم‌افزار و دریافت داده‌های هواشناسی را توضیح می‌دهد. انتشار کد را نباید با عرضه یک اپلیکیشن آماده برای مردم یا تأیید به‌کارگیری آن در همه مراکز هواشناسی یکسان دانست. بین یک روش پژوهشی و خدمت روزمره، کارهایی مانند نگهداری داده، ارزیابی محلی و توضیح خروجی باقی می‌ماند. نیازمندی‌ها و داده‌های پروژه
معیار انسانی موفقیت می‌تواند این باشد: آیا اطلاعات زودتر، زمانی به دست فرد می‌رسد که هنوز امکان تغییر برنامه دارد؟ برای بازارچه فرضی، دانستن احتمال بارش بعد از قطعی‌شدن همه قراردادها با دانستن آن پیش از انتخاب محل یکسان نیست. آینده امیدوارکننده این فناوری، الزاماً حذف غافلگیری نیست؛ می‌تواند بیشترکردن فرصت تصمیم‌گیری با پذیرش روشن عدم قطعیت باشد. پیش‌بینی روزهای نزدیک و هشدارهای رسمی نیز همچنان باید در زمان خود دنبال شوند.
هر دو تصویر با هوش مصنوعی تولید شده‌اند و تصویرسازی مفهومی‌اند؛ هیچ‌کدام نقشه علمی، خروجی مدل یا عکس یک رویداد واقعی نیستند.
منابع
- Nature: Advancing subseasonal forecasting with machine learning؛ انتشار ۱۴ اکتبر ۲۰۲۶؛ مشخصات انتشار؛ جزئیات روش در این گزارش از نسخه اولیه زیر خوانده شده است.
- arXiv: نسخه اولیه پژوهش PBC؛ ۱۷ آوریل ۲۰۲۶؛ منبع خوانده‌شده برای جزئیات روش و ارزیابی.
- مخزن رسمی PBC؛ معرفی روش، کد و نیازمندی‌ها؛ بررسی ۱۶ اکتبر ۲۰۲۶.
- MIT News: بهبود پیش‌بینی‌های دو تا شش هفته آینده؛ ۱۴ اکتبر ۲۰۲۶.
- ECMWF: معرفی و دامنه AI Weather Quest؛ بررسی ۱۶ اکتبر ۲۰۲۶.
- ECMWF: برگه توضیح پیش‌بینی‌های زیر‌فصلی و فصلی؛ نسخه دارای نشان سال ۲۰۲۵.
نظر شما چیست؟