AI এবং বিশ্বের কঠিন সমস্যাগুলো ─ পৃথিবী ও জলবায়ু বিজ্ঞান
AI দ্বারা এগিয়ে চলা বিজ্ঞান ও পাণ্ডিত্য, শাখা অনুযায়ী
RSS ফিড · 5 আইটেম
AI দিয়ে টিপিং পয়েন্টের পূর্বাভাস
মূল শিরোনাম: Forecasting Tipping Points with AI
টিপিং পয়েন্ট, যার পরে কোনো সিস্টেম তার আগের অবস্থায় ফিরতে পারে না, স্বল্পমেয়াদি আবহাওয়া পরিবর্তনের চেয়ে পূর্বাভাস করা কঠিন। Caltech-এর নেতৃত্বাধীন একটি দল দেখিয়েছে যে রিকারেন্ট নিউরাল অপারেটর (RNO), এক ধরনের নিউরাল নেটওয়ার্ক, সরল মডেলে টিপিং পয়েন্ট কখন ঘটে তা পূর্বাভাস করতে পারে। এর মধ্যে রয়েছে একটি জলবায়ু পরিবর্তন সিস্টেম মডেল এবং বিমানের ডানার ওপর দিয়ে প্রবাহিত বিক্ষুব্ধ বায়ুপ্রবাহের সিমুলেশন। গবেষণাপত্রটি PNAS-এ প্রকাশিত হয়েছে।
মেশিন লার্নিংয়ের মাধ্যমে সাবসিজনাল পূর্বাভাসে অগ্রগতি
মূল শিরোনাম: Advancing subseasonal forecasting with machine learning
২ থেকে ৬ সপ্তাহ আগের উপ-মৌসুমি সময়সীমায় পূর্বাভাসের দক্ষতা তীব্রভাবে কমে যায়। লেখকেরা সম্ভাব্যতাভিত্তিক বায়াস সংশোধন উপস্থাপন করেছেন, এটি একটি মেশিন লার্নিং কাঠামো যা ঐতিহাসিক সম্ভাব্যতাভিত্তিক পূর্বাভাস সংশোধন করতে শেখে, এবং তা ECMWF-এর শীর্ষস্থানীয় গতিশীল ও AI মডেলে প্রয়োগ করেছেন। এটি AI Forecasting System-এর সীমিত উপ-মৌসুমি দক্ষতা দ্বিগুণ করেছে এবং বেশিরভাগ চাপ, তাপমাত্রা ও বৃষ্টিপাতের লক্ষ্যমাত্রায় গতিশীল মডেলের উন্নতি ঘটিয়েছে, আর ECMWF-এর 2025 সালের রিয়েল-টাইম প্রতিযোগিতায় এর বৈশ্বিক পূর্বাভাস ছিল সেরা।
পাওয়ার গ্রিডে মহাকাশ আবহাওয়ার ঝুঁকির পূর্বাভাস
মূল শিরোনাম: Forecasting space weather risks on power grids
চরম মহাকাশ-আবহাওয়ার ঘটনা বিদ্যুৎ সঞ্চালন নেটওয়ার্কে প্রবাহ সৃষ্টি করে যন্ত্রপাতির ক্ষতি করতে পারে, এবং গ্রিড অপারেটরদের যথেষ্ট আগাম সতর্কতাসহ জানা দরকার কখন ও কোথায় প্রভাব সবচেয়ে গুরুতর হবে। Microsoft Research একটি মেশিন লার্নিং পাইপলাইন তৈরি করেছে, যা সৌর বায়ুর ডেটা, AE ও Dst পূর্বাভাস, স্থানীয় অক্ষাংশ, ভূতত্ত্ব এবং ভূমির পরিবাহিতা একত্র করে মহাদেশীয় যুক্তরাষ্ট্রের 66,935টি সাবস্টেশনের ঝুঁকির অনুমান তৈরি করে। মূল্যায়নের সময়কালে এটি প্রায় 80% বড় মহাকাশ-আবহাওয়ার ঘটনা শনাক্ত করেছে এবং কোনো নির্দিষ্ট ঝুঁকি দেখা দেওয়ার 30 থেকে 60 মিনিট আগে অপারেটরদের সতর্ক করতে পারে।
সেনেগালে ক্ষুদ্র কৃষকদের ফসলের মানচিত্র তৈরির এআই টুল নিজের কার্যকারিতা প্রমাণ করেছে
মূল শিরোনাম: AI tool for mapping smallholder crops proves itself in Senegal
সেনেগালের বৃষ্টিনির্ভর ছোট খামারগুলোর কারণে জনসংখ্যার একটি বড় অংশ জলবায়ুজনিত আঘাতের ঝুঁকিতে থাকে, অথচ স্যাটেলাইটভিত্তিক ফসল-মানচিত্রণের সরঞ্জাম প্রায় নাগালের বাইরে। University of Cambridge-এর গবেষকরা স্যাটেলাইট চিত্রে প্রশিক্ষিত একটি ওপেন-সোর্স AI মডেল Tessera ব্যবহার করে সেনেগালের চিনাবাদাম অববাহিকার ফসলের মানচিত্র তৈরি করেছেন। পরীক্ষায় এটি ৮৪% ক্ষেত্রে সঠিক ফলাফল দিয়েছে, যা বর্তমান পদ্ধতির চেয়ে বেশি নির্ভুল, অথচ এতে কম্পিউটিং সম্পদ ও লেবেলযুক্ত ডেটার সামান্য অংশই লেগেছে। একটি পরিস্থিতিতে এটি পরবর্তী সেরা মডেলের চেয়ে ২৮% ভালো ফল করেছে।
সম্ভাব্যতাভিত্তিক মেশিন লার্নিং ব্যবহার করে জলবায়ু মডেল থেকে আঞ্চলিক জলবায়ু ঝুঁকি মূল্যায়ন
মূল শিরোনাম: Regional climate risk assessment from climate models using probabilistic machine learning
আঞ্চলিক ঝুঁকি-সংক্রান্ত সিদ্ধান্তের জন্য জলবায়ু মডেলগুলো খুবই স্থূল, আর বিদ্যমান ডাউনস্কেলিং পদ্ধতিগুলো বড় এনসেম্বলের জন্য অত্যন্ত ব্যয়বহুল, বহুচলকীয় নির্ভরতা ধরতে ব্যর্থ, অথবা সময়-সমন্বিত প্রশিক্ষণ জোড়া দরকার হয় যা ফ্রি-রানিং প্রজেকশনে থাকে না। GenFocal একটি জেনারেটিভ AI কাঠামো, যা জোড়াবদ্ধ প্রশিক্ষণ ডেটা ছাড়াই স্থূল প্রজেকশন থেকে পরিসংখ্যানগতভাবে নির্ভুল সূক্ষ্ম-স্কেলের আবহাওয়া তৈরি করে। এটি তাপপ্রবাহ ও ক্রান্তীয় ঘূর্ণিঝড়ের মতো দীর্ঘস্থায়ী বিপদ সংশ্লেষণ করে, শীর্ষস্থানীয় পদ্ধতিগুলোর চেয়ে আরও নির্ভুলভাবে বিরল ও উচ্চ-প্রভাবের ঘটনার নমুনা নেয়, এবং যৌগিক চরম ঘটনার আঞ্চলিক অনুমান উন্নত করে।