چگونه پیش‌بینی هوای مدرن کار می‌کند: از ماهواره‌ها تا ابرکامپیوترها

هر پیش‌بینی هوایی، چه یک نگاه هفت روزه در برنامه موبایل باشد یا مسیر طوفان صادر شده توسط یک سازمان ملی، به همین روش شروع می‌شود: با مشاهدات جو همان‌طور که اکنون است. مرکز اروپایی برای پیش‌بینی هوایی میان‌مدت (ECMWF) می‌گوید حدود 800 میلیون مشاهده در روز دریافت می‌کند، بیشتر از حدود 90 ابزار ماهواره‌ای که جو، اقیانوس، زمین، برف و یخ دریایی را نظارت می‌کنند؛ پس از کنترل کیفیت، تقریباً 60 میلیون از آن مشاهدات در واقع در سیستم پیش‌بینی خود استفاده می‌شوند.

تبدیل مشاهدات به پیش‌بینی: همپذیری داده‌ها

مشاهدات خام هر نقطه روی زمین را پوشش نمی‌دهند، بنابراین متنبئان نمی‌توانند به سادگی هوای فعلی را از آن‌ها بخوانند. درعوض، سازمان‌ها از تکنیکی به نام همپذیری داده‌ها استفاده می‌کنند تا مشاهدات ناقص را با پیش‌بینی کوتاه‌مدت از اجرای قبلی ترکیب کنند و یک تصویر کامل و از لحاظ فیزیکی منسجم از جو به نام تجزیه‌وتحلیل تولید کنند. ECMWF از روشی به نام همپذیری تغییرات چهاربعدی (4D-Var) استفاده می‌کند، که آن را به عنوان ترکیب 'حدس اولیه از هوای فعلی با شواهد جدید از مشاهدات' در فضا و زمان توصیف می‌کند. دفتر هواشناسی بریتانیا (Met Office) این مرحله را ساده‌تر توصیف می‌کند: همپذیری داده‌ها 'شکاف‌هایی را پر می‌کند که در آن مشاهدات مستقیم وجود ندارند... با ترکیب داده‌های موجود با پیش‌بینی‌های مدل'.

در میان انواع مشاهدات اولویت‌دار توسط ECMWF، خوانش‌های دما و رطوبت از ابزار ماهواره‌ای موج‌های ریز و مادون‌قرمز، برآورد باد مشتق‌شده از ردیابی ابرها و از ابزار رادار، لیدار و پراکنش‌سنج، و تکنیکی به نام همپذیری 'آسمان کامل' که از داده‌های ماهواره‌ای در مناطق ابری و بارانی استفاده می‌کند به‌جای دورریختن آن.

اجرای مدل‌ها: معادلات فیزیک روی ابرکامپیوترها

پس از ساختن تجزیه‌وتحلیل، یک مدل پیش‌بینی عددی هوایی نقش را برعهده می‌گیرد. این مدل‌ها جو را به شبکه‌ای سه‌بعدی تقسیم می‌کنند و معادلات حاکم بر حرکت، انرژی، جرم و رطوبت را در هر نقطه شبکه حل می‌کنند، سپس کل سیستم را در طول زمان به جلو می‌برند. سیستم پیش‌بینی جهانی ایالات متحده (GFS)، که توسط مراکز ملی پیش‌بینی محیط‌زیست NOAA اجرا می‌شود، از دقت افقی پایه‌ای حدود 28 کیلومتر (18 مایل) بین نقاط شبکه ��رای خروجی هفته اول خود استفاده می‌کند، و به حدود 70 کیلومتر (44 مایل) برای پیش‌بینی‌های بیش از هفت روز درشت‌تر می‌شود، و مدل‌های جداگانه‌ای را برای جو، اقیانوس، خاک/زمین و یخ دریایی جفت می‌کند. این سیستم یک پیش‌بینی کامل را چهار بار در روز تولید می‌کند، تا 16 روز.

سیستم معادل ECMWF، سیستم پیش‌بینی یکپارچه (IFS)، در نوامبر 2024 تحت انتشاری به نام Cycle 49r1 ارتقا یافت. طبق ECMWF، آن ارتقا برای اولین بار مشاهدات دما در ارتفاع دو متر را در بر گرفت، نحوه نمایش عدم‌قطعیت در فیزیک خود را توسط مدل اصلاح کرد، و شبکه مدل امواج اقیانوسی را با دقت مدل جو حدود 9 کیلومتر برای پیش‌بینی‌های میان‌مدت مطابقت داد. ECMWF از ارتقا سودهای قابل‌اندازه‌گیری را گزارش کرد، از جمله بهبود حدود 0.5٪ در نمرات پیش‌بینی نزدیک قاره قطب جنوب تا روز چهارم، که جزئی‌اً به داده‌های موج‌های ریز ماهواره‌ای جدید روی یخ دریایی نسبت داده می‌شود.

پیش‌بینی مجموعه: پیش‌بینی عدم‌قطعیت خود

یک اجرای مدل واحد از یک تجزیه‌وتحلیل واحد یک نسخه از آینده را می‌دهد، اما جو آنچه است که دانشمندان آن را سیستم آشوب‌ناک می‌نامند: طبق Met Office، 'خطاهای بسیار کوچکی در حالت اولیه‌اش می‌تواند به خطاهای بزرگی در پیش‌بینی منجر شود.' چون مشاهدات هرگز نمی‌توانند حالت واقعی جو را کاملاً دریافت کنند، سازمان‌ها مدل را همان چندین بار از شرایط شروع کمی متفاوت و یکنواخت محتمل اجرا می‌کنند. این مجموعه‌ای از پیش‌بینی‌های موازی 'مجموعه' نام دارد و هر اجرای انفرادی یک 'عضو مجموعه' است.

چرا پیش‌بینی‌ها در آینده دورتر اعتماد را از دست می‌دهند

ECMWF گزارش کرده است که ارتقای Cycle 49r1 در نوامبر 2024 سودهای قابل‌اندازه‌گیری را در دقت پیش‌بینی تولید کرده است، از جمله بهبود حدود 0.5٪ در نمرات پیش‌بینی نزدیک قاره قطب جنوب تا روز چهارم، که جزئی‌اً به داده‌های موج‌های ریز ماهواره‌ای جدید روی یخ دریایی نسبت داده می‌شود. به‌طور کلی‌تر، چون خطاهای کوچک در شرایط شروع یک سیستم آشوب‌ناک در طول زمان رشد می‌کنند، سازمان‌ها همچنین نگاه‌های ماهانه و فصلی جداگانه‌ای را بر اساس روش‌های آماری مختلف صادر می‌کنند، زمانی که پیش‌بینی‌های روز به روز دیگر سودمند نباشند.

ظهور پیش‌بینی مبتنی بر هوش مصنوعی

در کنار این مدل‌های مبتنی بر فیزیک، سازمان‌های ملی شروع به اجرای سیستم‌های یادگیری ماشین آموخته‌شده روی دهه‌ها از داده‌های هوایی گذشته کرده‌اند. NOAA در دسامبر 2025 اعلام کرد که سه سیستم چنینی را عملیاتی ساخته است: AIGFS (نسخه هوش مصنوعی سیستم پیش‌بینی جهانی)، AIGEFS (سیستم مجموعه هوش مصنوعی) و HGEFS، مجموعه‌ای 62 عضوی که پیش‌بینی‌های مبتنی بر هوش مصنوعی و فیزیک را ترکیب می‌کند. طبق NOAA، AIGFS می‌تواند یک پیش‌بینی جهانی 16 روزه را در حدود 40 دقیقه با استفاده از حدود 0.3٪ از منابع محاسبات که GFS سنتی نیاز دارد تولید کند، و AIGEFS حدود 9٪ از منابع مجموعه استاندارد را نیاز دارد. مسؤول NOAA Neil Jacobs سیستم‌ها را 'پرش بزرگی به جلو در نوآوری مدل هوایی آمریکا' توصیف کرد، با استشهاد به دقت بهتر برای الگوهای بزرگ‌مقیاس و پیش‌بینی‌های مسیر طوفان، هرچند NOAA نیز اعترافی کرد که AIGFS در حال‌حاضر کارایی کاهش‌یافته‌ای در پیش‌بینی شدت طوفان نشان می‌دهد، منطقه‌ای که مقامات گفتند هنوز نیاز به توسعه بیشتری دارد.

از خروجی مدل تا پیش‌بینی‌ای که می‌بینید

داده‌های مدل معمولاً محصول نهایی نیست. دفتر هواشناسی می‌گوید که پس از اتمام اجرای ابرکامپیوتر، متنبئان انسانی خروجی مدل را تفسیر می‌کنند، توپوگرافی محلی و شرایطی را که دقت مدل نمی‌تواند کاملاً دریافت کند در نظر می‌گیرند، و پیش‌بینی را قبل از انتشار تعدیل می‌کنند، و قضاوت انسانی را با خروجی محاسباتی ترکیب می‌کنند تا یک پیش‌بینی قابل استفاده تولید کنند.