災難性氣候在全球的影響日益嚴重,經濟損失和死亡人數都在飆升。例如自1980年以來,美國年平均遭受天氣災害損失高達3,630億美元,累計總損失超過1.3兆美元,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6,890人死亡。
隨著氣候變遷加劇更頻繁和更強烈的風暴,沿海社區面臨越來越多的挑戰。在某些情況下,颶風已經深入內陸。準確的工具對於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。
如今可能已經擁有實現這一目標的技術。當颶風Beryl在7月橫掃大西洋時,GoogleDeepmind的GraphCast預測風暴將從墨西哥南部急劇轉向德州。這項預測比傳統方法早了一周,結果證明是準確的。
其他幾家大型科技公司也推出了人工智慧天氣預報工具。例如,NVIDIA開發了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的。
微軟推出了Aurora Atmosphere,這是一個強大的天氣預報平台,利用33億個參數進行高度準確的預報。
在類似進展的基礎上,美國國家航空暨太空總署(NASA)和IBM合作推出了Prithvi天氣和氣候人工智慧模型,該模型使用人工智慧來填補氣候數據中的空白並改善颶風預報。該模型一直保持開源,允許研究人員和開發人員為各種應用(包括颶風預報)貢獻和調整模型。
預測颶風最具挑戰性的方面之一是了解為什麼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正在利用人工智慧來更深入地了解推動這種快速加劇的複雜因素。
為了提高預測的準確性,Fischer正在透過整合歷史颶風測量數據來改善當前的風暴數據。這包括從浮標、衛星和颶風獵人飛機等來源收集的各種數據,如風速和濕度水平。
Fischer解釋說:「我使用各種觀測資料集和資料科學方法來識別經歷了快速增強的風暴子集之間的共通性。」「希望有了這些知識,我們可以提供工具來改善對熱帶氣旋的預測。
根據Fischer的說法,手動分析數十年的風暴數據將非常耗時,這就是他使用機器學習(ML)演算法的原因。他的目標之一是在不讓飛機飛入風暴系統的情況下,在大西洋盆地建立一個活躍颶風的3D結構。
Fischer說:「一旦風暴位於西部,我們就可以進入飛機的射程內,在大西洋上空進行空中偵察是例行公事。但即便如此,我們也不總是有飛機在那裡。颶風獵人可以在風暴中飛行數小時,讀取數據。
“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構。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並不總是有常規飛機觀測的盆地也特別有用。”
人工智慧模式在天氣預報方面取得了重大進展,但它們仍然面臨著顯著的挑戰。一個關鍵的限制是他們對歷史資料的依賴。如果用於訓練這些模型的資料不完整、過時或不準確,預測可能會出現偏差。
雖然人工智慧模型處理資料的速度比手動方法快得多,但它們仍然取決於它們收到的資料的品質。從雷達和飛機收集的數據通常會有噪音,這會破壞其品質。此外,人工智慧模型可能難以解釋以前從未發生過的罕見或前所未有的事件。
Fischer強調,儘管人工智慧技術發展迅速,但它永遠不會取代人類。預測必須轉化為可操作的指導,如疏散計劃和安全預防措施,以確保社區了解潛在影響並做出適當反應。這種人性化的關懷對於在惡劣天氣下拯救生命和保護社區至關重要。
AI課程適合對人工智能技術感興趣的人,包括但不限於學生、工程師、數據科學家、開發者以及AI技術的專業人士。
課程內容從基礎到高級不等,初學者可以選擇基礎課程,逐步深入到更複雜的算法和應用。
學習AI需要一定的數學基礎(如線性代數、概率論、微積分等),以及編程知識(Python是最常用的編程語言)。
將學習自然語言處理、計算機視覺、數據分析等領域的核心概念和技術,掌握使用AI工具和框架進行實際開發。
您可以從事數據科學家、機器學習工程師、AI研究員、或者在各行各業應用AI技術進行創新。