تمتد البيانات الجوية الكندية، التي كانت مخبأة في سجلات ورقية لعقود، بل قرون، حالياً إلى مرحلة التحويل الرقمي. هذه المبادرة الضخمة توفر غنى غير مسبوق لتحسين نماذج التنبؤات المستندة إلى الذكاء الصناعي وإدراك تطور المناخ، مما يقلل من عدم اليقين في التوقعات.
تخيل مئات الآلاف من القراءات الجوية، التي كتبت يدويًا بواسطة مراقبين دقيقين، تمتد على مدى أكثر من قرن ونصف. في كندا، تجري عملية ضخمة لتحويل هذه التراثات التاريخية، المسجلة في سجلات غبارية، إلى مورد数 拉丁化: ernažīnīyā 数 拉丁化: rihlījīnīyā 有 數 拉丁化: yǒushù 拉丁化: yǒushù 这些珍贵的历史资源。这项详细的转录工作，如《自然气候》所述，不仅限于数字化过去；它还为气象学和气候学的机器学习和预测模型开辟了一个新时代。
数世纪的气象数据终于可访问
发表在《自然气候》上的研究揭示了旨在数字化加拿大大量历史气象数据量的巨大项目规模。这些信息，自系统观测开始以来就被收集，对于重建过去的气候条件和理解自然气候变化至关重要。加拿大，由于其广阔的领土和极端的气候，拥有丰富而复杂的气象历史记录，通常以惊人的精确度进行本地化记录。
这些档案包括温度、降水量、大气压力、风速和其他关键参数的记录。它们来自各种来源：船只日志、偏远气象站的记录、探险家的笔记本，甚至政府文件。几十年来，这些数据一直未被利用，其纸质格式使它们对现代分析工具和神经网络不可访问。
目标明确：使这些大气数据可供全球科学研究使用。通过将这些手写信息转换为标准化的数字格式，研究人员创建了一个前所未有的数据库，允许研究气候现象的时间跨度远远超过仅靠卫星数据或现代观测所能提供的。
这些原始数据如何成为AI资源
这些历史文件的手动转录是一项技术和后勤上的巨大挑战。它通常涉及人类努力和技术尖端的结合。成千上万的志愿者和研究人员致力于解码古老的文字，纠正错误并标准化测量单位。然而，这项任务的规模不可避免地推动了创新。
正是人工智能，特别是机器学习，在这一过程中发挥着越来越重要的作用。先进的OCR（光学字符识别）技术，经过对历史书写样本的训练，可以自动化处理过程中的很大一部分。卷积神经网络特别有效于在文本图像中识别模式，即使这些图像因时间的侵蚀或书写变化而受损。
这些算法首先在已由人类手动转录的部分文档的数据集上进行训练。一旦训练完成，它们可以处理大量页面，识别数字、日期和单位。交叉验证系统，通常涉及最终的人类干预，确保数字化数据的准确性。将原始数据转换为结构化和干净格式的过程是所有预测模型的基础步骤。
这些数据的质量和一致性至关重要。使用机器学习算法来检测观测记录中的异常或不一致，例如识别不现实的温度跳跃或可能表明转录或原始观测错误的异常值。在能够将这些数据整合到复杂模型之前，这一数据清理阶段是必不可少的。
这对预测模型和气候科学意味着什么
这些大量历史数据的整合将对气候科学和气象学产生革命性的影响。当前的预测模型，无论是复杂的物理模型如欧洲中期天气预报中心（ECMWF）的模型，还是纯粹基于AI的方法如GraphCast和Pangu-Weather，都严重依赖于全面且高质量的数据集进行训练。
有了数世纪的新大气数据，这些模型可以被训练在比以往任何时候都更广泛和多样的气候条件下。这将提高它们模拟自然气候变化的能力，更好地预测罕见的极端事件，并减少预测不确定性Cet article vous a-t-il été utile ?
Connectez-vous pour laisser un commentaire
