الگوریتم مشتق شده از MIT به پیش بینی فراوانی آب و هوای شدید کمک می کند

برای ارزیابی خطر یک جامعه از آب و هوای شدید، سیاستگذاران ابتدا تکیه می کنند روی مدل‌های آب و هوایی جهانی که می‌توانند دهه‌ها و حتی قرن‌ها به جلو در زمان اجرا شوند، اما تنها با وضوح درشت. این مدل‌ها ممکن است برای اندازه‌گیری شرایط آب و هوایی آینده شمال شرق آمریکا مورد استفاده قرار گیرند، اما نه به‌طور خاص برای بوستون.

برای تخمین خطر آتی بوستون از آب و هوای شدید مانند سیل، سیاست گذاران می توانند پیش بینی های یک مدل درشت مقیاس بزرگ را با یک مدل با وضوح دقیق تر ترکیب کنند، که برای تخمین اینکه هر چند وقت یکبار بوستون با گرم شدن آب و هوا احتمالاً سیل های مخرب را تجربه می کند، تنظیم شده است. اما این تحلیل ریسک فقط به اندازه پیش‌بینی‌های آن مدل آب و هوایی خشن‌تر است.

Themistoklis Sapsis، پروفسور ویلیام آی کوخ و مدیر این مرکز می گوید: «اگر این اشتباه را برای محیط‌های مقیاس بزرگ اشتباه بگیرید، همه چیز را از نظر اینکه رویدادهای شدید در مقیاس‌های کوچک‌تر، مانند شهرهای منفرد چگونه به نظر می‌رسند را از دست خواهید داد. مرکز مهندسی اقیانوس در گروه مهندسی مکانیک MIT.

ساپسیس و همکارانش اکنون روشی را برای «تصحیح» پیش‌بینی‌های مدل‌های آب و هوایی درشت ایجاد کرده‌اند. با ترکیب یادگیری ماشین با تئوری سیستم‌های دینامیکی، رویکرد این تیم شبیه‌سازی‌های یک مدل آب و هوا را به الگوهای واقعی‌تر در مقیاس‌های بزرگ ترغیب می‌کند. هنگامی که با مدل‌های مقیاس کوچک‌تر برای پیش‌بینی رویدادهای آب‌وهوای خاص مانند طوفان‌های گرمسیری یا سیل‌ها جفت شد، رویکرد تیم پیش‌بینی‌های دقیق‌تری را برای اینکه مکان‌های خاصی در چند دهه آینده این رویدادها را تجربه خواهند کرد، در مقایسه با پیش‌بینی‌هایی که بدون طرح اصلاحی انجام می‌شوند، ایجاد کرد.