فصل طوفان‌های ۲۰۲۵ به پایان رسید و یک غافلگیری بزرگ برای دانشمندان هواشناسی به همراه داشت: مدل تازه‌وارد گوگل دیپ‌مایند در پیش‌بینی مسیر و شدت طوفان‌ها عملکردی چشمگیر از خود نشان داد و رقیب‌های قدیمی را پشت سر گذاشت.

شکست GFS و صعود سریع مدل‌های هوش‌مصنوعی

تحلیل اولیه‌ای که برایین مک‌نولدی، هواشناس و پژوهشگر ارشد دانشگاه میامی، منتشر کرد نشان می‌دهد که Weather Lab دیپ‌مایند — که از ژوئن شروع به ارائه پیش‌بینی‌ها کرد — بهترین مدل فصل برای تعیین مسیر و شدت طوفان‌ها بود. در مقابل، مدل پرکاربرد و قدیمی ایالات متحده، Global Forecast System (GFS)، ضعیف‌ترین عملکرد را داشت.

در نمودارهای مقایسه‌ای مک‌نولدی، هرچه خط یک مدل پایین‌تر قرار گرفته بود نشان‌دهنده دقت بیشتر در پیش‌بینی بود؛ دیپ‌مایند تقریباً همیشه پایین‌ترین خط را داشت و GFS در بالاترین نقاط نمودار دیده می‌شد. نمونه بارز ضعف GFS، پیش‌بینی مسیر پنج‌روزه طوفان ملیسا بود که اشتباه آن تا بیش از ۸۰۰ کیلومتر رسید و چرخش به سمت دریا را پیش‌بینی کرد؛ چرخشی که هرگز اتفاق نیفتاد.

چه چیزی باعث برتری مدل‌های داده‌محور شد؟

دو عامل اصلی تفاوت را توضیح می‌دهند: سرعت تولید پیش‌بینی و توانایی یادگیری از خطاها. مدل‌های سنتی مانند GFS بر پایه معادلات فیزیکی و نیازمند محاسبات سنگین روی ابرکامپیوترها هستند. اما مدل‌های مبتنی بر شبکه‌های عصبی، مثل Weather Lab، خیلی سریع‌تر پیش‌بینی تولید می‌کنند و می‌توانند با داده‌های جدید خود را بهبود دهند.

سرعت: تولید سریع‌تر پیش‌بینی باعث می‌شود پاسخ‌دهی به شرایط بحرانی بهتر و به‌موقع‌تر باشد.
یادگیری پویا: شبکه‌های عصبی می‌توانند از اشتباهات گذشته درس بگیرند و مدل را در لحظه اصلاح کنند.
انعطاف‌پذیری با تغییرات اقلیمی: افزایش دمای سطح دریا و الگوهای جدید هواشناسی نیازمند ابزارهایی است که خود را با شرایط نو وفق دهند.

طوفان ملیسا که بخش‌هایی از کارائیب را تحت تاثیر قرار داد، نمونه‌ای هشداردهنده از تأثیر افزایش دمای سطح دریا بر شدت طوفان‌هاست. با گرم‌تر شدن اقیانوس‌ها، طوفان‌ها پتانسیل بیشتری برای تقویت سریع پیدا می‌کنند و پیش‌بینی صحیح مسیر و شدت آن‌ها حیاتی‌تر از همیشه می‌شود.

ظهور برتری مدل‌های هوش‌مصنوعی می‌تواند نقطه عطفی در پیش‌بینی طوفان‌ها باشد. تحلیل‌ها و نظرات کارشناسان — از جمله اریک برگر در Ars Technica — حاکی از این است که سازمان‌ها احتمالاً به تدریج به مدل‌های داده‌محور تکیه خواهند کرد. اما این به معنای حذف کامل مدل‌های فیزیکی نیست؛ ترکیب هوشمندانه هر دو رویکرد می‌تواند بهترین نتایج را بدهد.

در نهایت، وقتی طوفان‌ها قوی‌تر و غیرقابل‌پیش‌بینی‌تر می‌شوند، داشتن دقیق‌ترین ابزارها برای هشداردهی، مدیریت بحران و کاهش خسارات انسانی و مالی اهمیتی حیاتی دارد. مدل‌های جدید AI نشان داده‌اند که می‌توانند همین ابزارها را ارتقا دهند — اما همچنان باید تحت ارزیابی‌های رسمی و مداوم قرار گیرند.

آیا این تغییر به معنی کنار گذاشتن کامل مدل‌های سنتی است؟ احتمالاً نه؛ اما فصل ۲۰۲۵ نشان داد که زمان ترکیب و سرمایه‌گذاری جدی روی هوش‌مصنوعی در هواشناسی فرا رسیده است.