災難性氣候在全球范圍內(nèi)的影響日趨嚴重，經(jīng)濟損失和死亡人數(shù)都在飆升。例如自1980年以來，美國年平均遭受天氣災害損失高達3630億美元，累計總損失超過1.3萬億美元，其中颶風造成的損失最大。平均而言，每次颶風事件造成的損失高達228億美元。人員傷亡同樣具有毀滅性。1980年至2023年間，颶風在美國造成6890人死亡。

隨著氣候變化加劇更頻繁和更強烈的風暴，沿海社區(qū)面臨著越來越多的挑戰(zhàn)。在某些情況下，颶風已經(jīng)深入內(nèi)陸。準確的工具對于預測這些風暴的嚴重程度、時間和位置以及評估它們造成的破壞至關重要。

如今可能已經(jīng)擁有實現(xiàn)這一目標的技術。當颶風Beryl于7月橫掃大西洋時，谷歌Deepmind的GraphCast預測風暴將從墨西哥南部急劇轉(zhuǎn)向德克薩斯州。這一預測比傳統(tǒng)方法早了一周，結(jié)果證明是準確的。

其他幾家大型科技公司也推出了人工智能天氣預報工具。例如，NVIDIA開發(fā)了StormCast，這是與美國勞倫斯伯克利國家實驗室和華盛頓大學合作開發(fā)的。

微軟推出了Aurora Atmosphere，這是一個強大的天氣預報平臺，利用33億個參數(shù)進行高度準確的預報。

在類似進展的基礎上，美國國家航空航天局（NASA）和IBM合作推出了Prithvi天氣和氣候人工智能模型，該模型使用人工智能來填補氣候數(shù)據(jù)中的空白并改進颶風預報。該模型一直保持開源，允許研究人員和開發(fā)人員為各種應用（包括颶風預報）貢獻和調(diào)整模型。

預測颶風最具挑戰(zhàn)性的方面之一是了解為什么一些颶風會迅速加劇。邁阿密大學Rosenstiel海洋、大氣和地球科學學院的研究員Michael Scott Fischer正在利用人工智能來更深入了解推動這種快速加劇的復雜因素。

為了提高預測的準確性，F(xiàn)ischer正在通過整合歷史颶風測量數(shù)據(jù)來改進當前的風暴數(shù)據(jù)。這包括從浮標、衛(wèi)星和颶風獵人飛機等來源收集的各種數(shù)據(jù)，如風速和濕度水平。

Fischer解釋說：“我使用各種觀測數(shù)據(jù)集和數(shù)據(jù)科學方法來識別經(jīng)歷了快速增強的風暴子集之間的共性?！薄跋Ｍ辛诉@些知識，我們可以提供工具來改善對熱帶氣旋的預測?！?/span>

根據(jù)Fischer的說法，手動分析數(shù)十年的風暴數(shù)據(jù)將非常耗時，這就是他使用機器學習（ML）算法的原因。他的目標之一是在不讓飛機飛入風暴系統(tǒng)的情況下，在大西洋盆地建立一個活躍颶風的3D結(jié)構(gòu)。

Fischer說：“一旦風暴位于西部，我們就可以進入飛機的射程內(nèi)，在大西洋上空進行空中偵察是例行公事。但即便如此，我們也并不總是有飛機在那里。颶風獵人可以在風暴中飛行數(shù)小時，讀取數(shù)據(jù)。但最終，他們必須返回基地，加油，并部署新的機組人員。這需要時間?！?/span>

“我們的方法將使我們能夠始終擁有風暴外觀的完整三維結(jié)構(gòu)。這不僅對大西洋盆地特別有用，而且對全球其他形成颶風但并不總是有常規(guī)飛機觀測的盆地也特別有用?！?/span>

人工智能模型在天氣預報方面取得了重大進展，但它們?nèi)匀幻媾R著顯著的挑戰(zhàn)。一個關鍵的限制是他們對歷史數(shù)據(jù)的依賴。如果用于訓練這些模型的數(shù)據(jù)不完整、過時或不準確，預測可能會出現(xiàn)偏差。

雖然人工智能模型處理數(shù)據(jù)的速度比手動方法快得多，但它們?nèi)匀蝗Q于它們收到的數(shù)據(jù)的質(zhì)量。從雷達和飛機收集的數(shù)據(jù)通常會有噪音，這會破壞其質(zhì)量。此外，人工智能模型可能難以解釋以前從未發(fā)生過的罕見或前所未有的事件。

Fischer強調(diào)，盡管人工智能技術發(fā)展迅速，但它永遠不會取代人類。預測必須轉(zhuǎn)化為可操作的指導，如疏散計劃和安全預防措施，以確保社區(qū)了解潛在影響并做出適當反應。這種人性化的關懷對于在惡劣天氣下拯救生命和保護社區(qū)至關重要。