AI اور دنیا کے مشکل مسائل ─ ارضی اور موسمیاتی سائنس
AI کے ذریعے آگے بڑھنے والے سائنس اور علم، شعبے کے لحاظ سے
RSS فیڈ · 5 آئٹمز
AI کے ذریعے ٹپنگ پوائنٹس کی پیش گوئی
اصل عنوان: Forecasting Tipping Points with AI
ٹپنگ پوائنٹس، جن کے بعد کوئی نظام اپنی اصل حالت میں واپس نہیں آ سکتا، کی پیش گوئی مختصر مدت کے موسمی تغیرات کے مقابلے میں زیادہ مشکل ہوتی ہے۔ Caltech کی قیادت میں ایک ٹیم نے دکھایا کہ recurrent neural operator (RNO)، جو ایک قسم کا نیورل نیٹ ورک ہے، سادہ ماڈلز میں ٹپنگ پوائنٹس کے واقع ہونے کی پیش گوئی کر سکتا ہے۔ ان میں موسمیاتی تبدیلی کے نظام کا ایک ماڈل اور ہوائی جہاز کے پر کے اوپر ہنگامہ خیز ہوا کے بہاؤ کی سمولیشنز شامل ہیں۔ یہ مقالہ PNAS میں شائع ہوا۔
مشین لرننگ کے ذریعے ذیلی موسمی پیش گوئی میں پیش رفت
اصل عنوان: Advancing subseasonal forecasting with machine learning
2 سے 6 ہفتے آگے کے ذیلی موسمی اوقات میں پیش گوئی کی مہارت تیزی سے گر جاتی ہے۔ مصنفین probabilistic bias correction متعارف کراتے ہیں، جو ایک مشین لرننگ فریم ورک ہے اور تاریخی احتمالی پیش گوئیوں کی تصحیح سیکھتا ہے، اور اسے ECMWF کے اعلیٰ ڈائنامیکل اور AI ماڈلز پر لاگو کرتے ہیں۔ اس نے AI Forecasting System کی معمولی ذیلی موسمی مہارت کو دگنا کر دیا اور زیادہ تر دباؤ، درجہ حرارت اور بارش کے اہداف کے لیے ڈائنامیکل ماڈل کو بہتر بنایا، اور ECMWF کے 2025 کے ریئل ٹائم مقابلے میں اس کی عالمی پیش گوئیاں بہترین رہیں۔
پاور گرڈز پر خلائی موسم کے خطرات کی پیش گوئی
اصل عنوان: Forecasting space weather risks on power grids
خلائی موسم کے شدید واقعات ٹرانسمیشن نیٹ ورکس میں ایسی برقی رو پیدا کر سکتے ہیں جو آلات کو نقصان پہنچاتی ہے، اور گرڈ آپریٹرز کو کافی پیشگی تنبیہ کے ساتھ یہ جاننے کی ضرورت ہوتی ہے کہ اثرات کب اور کہاں سب سے زیادہ شدید ہوں گے۔ Microsoft Research نے ایک مشین لرننگ پائپ لائن بنائی جو شمسی ہوا کے ڈیٹا، AE اور Dst کی پیش گوئیوں، مقامی عرض بلد، ارضیات اور زمینی موصلیت کو ملا کر براعظمی ریاستہائے متحدہ کے 66,935 سب اسٹیشنز کے لیے خطرے کے تخمینے تیار کرتی ہے۔ جانچ کی مدت کے دوران اس نے خلائی موسم کے تقریباً 80% بڑے واقعات کا پتہ لگایا اور کسی مخصوص خطرے کے ظاہر ہونے سے 30 سے 60 منٹ پہلے آپریٹرز کو خبردار کر سکتی ہے۔
چھوٹے کسانوں کی فصلوں کی نقشہ سازی کا AI ٹول سینیگال میں کارآمد ثابت ہوا
اصل عنوان: AI tool for mapping smallholder crops proves itself in Senegal
سینیگال کے چھوٹے، بارش پر انحصار کرنے والے کھیت آبادی کے بڑے حصے کو موسمیاتی جھٹکوں کے سامنے بے نقاب چھوڑ دیتے ہیں، جبکہ سیٹلائٹ کے ذریعے فصلوں کی نقشہ سازی کے اوزار بڑی حد تک پہنچ سے باہر ہیں۔ University of Cambridge کے محققین نے Tessera استعمال کیا، جو سیٹلائٹ تصاویر پر تربیت یافتہ ایک اوپن سورس AI ماڈل ہے، تاکہ سینیگال کے مونگ پھلی کے علاقے میں فصلوں کی نقشہ سازی کی جا سکے۔ آزمائشوں میں اس نے 84% مرتبہ درست نتیجہ دیا، جو موجودہ طریقوں سے زیادہ درست ہے، جبکہ اس نے کمپیوٹنگ وسائل اور لیبل شدہ ڈیٹا کا صرف ایک چھوٹا حصہ استعمال کیا۔ ایک منظرنامے میں اس نے اگلے بہترین ماڈل سے 28% بہتر کارکردگی دکھائی۔
امکانی مشین لرننگ کے ذریعے موسمیاتی ماڈلز سے علاقائی موسمیاتی خطرے کا تخمینہ
اصل عنوان: Regional climate risk assessment from climate models using probabilistic machine learning
موسمیاتی ماڈلز علاقائی خطرات کے فیصلوں کے لیے بہت موٹے ہیں، اور موجودہ ڈاؤن اسکیلنگ طریقے بڑے اینسیمبلز کے لیے بہت مہنگے ہیں، کثیر متغیری انحصارات کو نظرانداز کرتے ہیں، یا ایسے وقت سے ہم آہنگ تربیتی جوڑوں کے محتاج ہیں جو آزادانہ چلنے والے تخمینوں میں دستیاب نہیں ہوتے۔ GenFocal ایک جنریٹو AI فریم ورک ہے جو جوڑوں والے تربیتی ڈیٹا کے بغیر موٹے تخمینوں سے شماریاتی طور پر درست باریک پیمانے کا موسم تیار کرتا ہے۔ یہ ہیٹ ویوز اور اشنکٹبندیی طوفانوں جیسے طویل المدت خطرات کی تالیف کرتا ہے، نایاب اور شدید اثر والے واقعات کا نمونہ سرکردہ طریقوں سے زیادہ درستگی سے لیتا ہے، اور مرکب انتہائی حالات کے علاقائی تخمینوں کو بہتر بناتا ہے۔